点击上方蓝色字关注
▲生信小白君▲
NO2. 机器学习|无监督学习
引言
K-means 聚类：基于中心点的迭代优化方法，计算每个点与各聚类中心的距离，并分配点到距离最近的聚类中心，直到收敛。
层次聚类：通过自底向上的合并或自顶向下的分裂方式进行聚类。
DBSCAN：基于密度的聚类方法，能够发现任意形状的聚类，适合处理噪声。
降维：降维是指将高维数据映射到低维空间的过程。降维通常用于数据可视化、数据压缩和去噪。常见的降维方法包括：
主成分分析（PCA）:一种线性降维方法，通过将数据投影到最大方差方向，减少数据的维度。
t-SNE：一种非线性降维方法，能够保留高维数据中的局部结构，常用于可视化。
自编码器：基于神经网络的非线性降维方法，能够学习到数据的低维表示。
关联规则学习：关联规则学习用于发现数据中的关联模式或规则。常见的算法包括Apriori算法和Eclat算法。
Apriori算法：一种经典的关联规则学习算法，通过频繁项集挖掘发现数据中常见的项之间的关系。
Eclat算法：另一种高效的关联规则挖掘算法，主要用于发现频繁项集。
缺乏标签：没有明确的目标输出，模型训练过程没有直接的监督信息，往往导致较为复杂的优化过程。
评估困难：与有监督学习不同，无监督学习的效果很难通过传统的准确度等指标来评估。
聚类数目选择：如K-means算法需要提前设定聚类数目（K），但实际应用中很难确定最优的K值。
可解释性问题：许多无监督学习方法（如深度学习的自编码器）可能缺乏良好的可解释性，使得最终模型的结果难以理解和信任。
