5.Unsupervised_Learning

Unsupervised Learning 是在沒有標籤資料的情況下，探索資料內在結構的一種學習方法。其目的是發現樣本間的潛在模式、群組或表示方式，常應用於探索性資料分析與特徵壓縮。

1. 主要任務類型

A. 聚類（Clustering）

  • 將資料自動劃分為數個群集

  • 常見應用：顧客分群、影像分類前處理、生物分型

B. 降維（Dimensionality Reduction）

  • 將高維資料壓縮為低維度空間，保留主要資訊

  • 常見應用：視覺化、特徵預處理、雜訊過濾

C. 關聯規則學習（Association Rule Learning）

  • 發掘資料中的共現關係（如購物籃分析）

  • 常見應用：推薦系統、關聯性行銷

2. 常見演算法

聚類

  • K-Means

  • Hierarchical Clustering（階層式）

  • DBSCAN（密度為基礎）

  • Gaussian Mixture Model (GMM)

降維

  • PCA（主成分分析）

  • t-SNE

  • UMAP

  • Autoencoder（神經網路型態）

關聯規則

  • Apriori

  • FP-Growth

3. 使用場景

  • 沒有標籤資料可供訓練時（如新資料探索）

  • 特徵太多，需先降維再餵入監督模型

  • 需進行資料壓縮或視覺化呈現

4. 聚類模型評估指標

由於沒有「真實標籤」，常用以下內部評估指標：

  • Silhouette Score

  • Davies-Bouldin Index

  • Calinski-Harabasz Index

  • 可視化：降維後觀察分群分布

5. 工具與套件

  • scikit-learn: 提供大部分非監督模型與評估工具

  • umap-learn, tsne, hdbscan: 進階降維與分群工具

  • mlxtend: 關聯分析（Apriori, FP-Growth）

6. 延伸子章節

  • Clustering/KMeans.md

  • Clustering/DBSCAN.md

  • Dimensionality Reduction/PCA.md

  • Dimensionality Reduction/tSNE.md

Unsupervised Learning 是資料分析的重要起點，適合在對資料未知或無標註的情況下挖掘潛在規律，也常作為監督式學習的前置處理步驟。

PreviousSimple_Linear_Regression.mdNextHierarchical_Clustering.md

Last updated