无监督学习
1、无监督学习的概念
什么叫无监督学习（输入都是无label的数据，没有训练集之说）
无监督学习的两大任务：“化繁为简”（聚类、降维）、“无中生有”
2、聚类Clustering（K-means、HAC）
3、降维Dimension Reduction（PCA）
1、无监督学习的概念
一、什么叫无监督学习
输入都是无label的数据，没有训练集之说，也就是只能从一些无label的数据中自己寻找规律
二、无监督学习的两大任务：“化繁为简”（聚类、降维）、“无中生有”
2、聚类Clustering（K-means、HAC）
一、K-means算法
kmeans算法又名k均值算法。其算法思想大致为：先从样本集中随机选取 k 个样本作为簇中心，并计算所有样本与这 k 个“簇中心”的距离，对于每一个样本，将其划分到与其距离最近的“簇中心”所在的簇中，对于新的簇计算各个簇的新的“簇中心”。
根据以上描述，我们大致可以猜测到实现kmeans算法的主要几点：
（1）簇个数 k 的选择
（2）初始化簇中心（可以从你的train data里面随机找K个x出来，就是你的k个center）
while（收敛——聚类结果不再变化）
{
（3）各个样本点到“簇中心”的距离
（4）根据新划分的簇，更新“簇中心”（求均值）
}
二、HAC算法
假设有5个样本，计算两两之间的相似度，将最相似的两个样本聚合在一起（比如第一个和第二个聚合成一个黄色类），再将剩下的4个聚合在一起，以此类推
3、降维Dimension Reduction（PCA）
降维意思是说：原本高维的东西，其实是可以用低维去表示它，就是找出数据里最主要的方面，用数据里最主要的方面来代替原始数据。
如果理想的话（如下图），我们可以直接抛弃下面的x1这个维度，但实际上我们不能直接拿掉某一个维度，
也就是说我们的数据跟每一个维度都有关系，这就需要主成分分析（PCA）
PCA实现
PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。
（1）用特征值分解
现在举一个从二维数据降到一维的情况，
PCA做的事情就是：这个function（Z=Wx）是一个很简单的linear function，W就是我们要找的“一维”这个维度，Z是input x 从二维降到一维后的度量表示,
现在要做的事情就是:根据一大堆的x,我们要把w找出来！
实际上w1就是一个row，假设w1的长度为1，那么对于一个数据来说，w1与x1的内积就等于x1在w1上的投影长度z1，那把所有x都输入就得到一堆的z1（如上面右图）。
那么我们寻找w1的规则就是，令z1的方差最大（数据识别度最大）
这就需要矩阵论的知识，把多个w放在一个矩阵里面计算，但要注意的是此时就需要w两两正交，也就是大W是一个正交矩阵
开始计算：
1、把方差式子展开，转化成协方差（具体转化过程不描述了）
2、结论：我们要找的w1就是协方差矩阵S的最大特征值所对应的特征向量，w2就是协方差矩阵S的第二大特征值所对应的特征向量，以此类推
（2）用奇异值分解（SVD）
特征值分解是一个提取矩阵特征很不错的方法，但是它只是对方阵而言的，在现实的世界中，我们看到的大部分矩阵都不是方阵。奇异值分解是一个能适用于任意的矩阵的一种分解的方法。
