薛耀红教授讲解非监督学习：模式识别与聚类方法

非监督学习方法是机器学习领域中的一个重要分支，它在模式识别过程中扮演着关键角色，尤其当样本数据类别未知时。授课教师薛耀红在课程中深入探讨了这种方法，从引言开始，分为以下几个部分： 1. 引言：区分有监督学习与无监督学习，有监督学习依赖于已知类别标签的训练样本，通过统计和学习这些标签信息来构建分类器，目的是将新数据分类。相比之下，无监督学习则是在没有标签的情况下，仅凭样本间的相似性进行聚类分析，旨在发现数据内在的结构和规律。 2. 单峰子集（类）的分离方法：这类技术关注如何在数据中找到具有相似性质的群体，即使它们没有预设的类别标签。这类方法可能包括基于密度的聚类，如DBSCAN（基于密度可达性的聚类），或者层次聚类，通过计算样本之间的距离或相似度进行分层。 3. 类别分离的间接方法：这种方法可能是通过特征学习或降维技术，如主成分分析（PCA）、自编码器（Autoencoder）等，先找出数据的关键特征，然后再进行聚类，减少了原始数据的复杂性，提高了分离的效率。 4. 分级聚类方法：这是一种多级或层次化的聚类策略，它将数据集划分为多个子集，每个子集再进一步细分，直至达到满意的聚类效果。这种层次结构有助于理解数据的复杂关系和组织。 5. 应用领域广泛：无监督学习在商务分析（如客户细分）、土地使用识别、保险风险评估、城市规划、生物学分类（如生物物种分类）甚至地震研究中都有重要作用。它可以帮助发现数据集中的潜在模式和趋势，从而支持决策和预测。 6. 有监督学习与无监督学习的区别：主要体现在数据处理方式和目标上。有监督学习依赖于标记数据，目标是建立准确的预测模型，而无监督学习则更注重数据内在结构的学习，不一定追求严格的类别划分。 非监督学习方法是一种强大的工具，它通过探索数据的内在结构和规律，提供了一种理解未标记数据的强大途径，对许多实际问题解决有着重要的应用价值。