![cover image](https://wikiwandv2-19431.kxcdn.com/_next/image?url=https://upload.wikimedia.org/wikipedia/commons/thumb/0/00/Multi-Layer_Neural_Network-Vector-Blank.svg/langzh-hans-640px-Multi-Layer_Neural_Network-Vector-Blank.svg.png&w=640&q=50)
无监督学习
维基百科,自由的 encyclopedia
无监督学习(英语:unsupervised learning),又称非监督式学习,是机器学习的一种方法,没有给定事先标记过的训练范例,自动对输入的资料进行分类或分群。无监督学习的主要运用包含:聚类分析(cluster analysis)、关联规则(association rule)、维度缩减(dimensionality reduce)。它是监督式学习和强化学习等策略之外的一种选择。
此条目需要扩充。 (2018年4月15日) |
![]() | 此条目需要精通或熟悉相关主题的编者参与及协助编辑。 (2018年4月15日) |
一个常见的无监督学习是数据聚类。在人工神经网路中,生成对抗网络(GAN)、自组织映射(SOM)和适应性共振理论(ART)则是最常用的非监督式学习。
ART模型允许丛集的个数可随著问题的大小而变动,并让使用者控制成员和同一个丛集之间的相似度分数,其方式为透过一个由使用者自定而被称为警觉参数的常数。ART也用于模式识别,如自动目标辨识和数位信号处理。第一个版本为"ART1",是由卡本特和葛罗斯柏格所发展的。