無監督學習英语:unsupervised learning)是機器學習的一種方法,沒有給定事先標記過的訓練範例,自動對輸入的資料進行分類或分群。無監督學習的主要運用包含:聚类分析(cluster analysis)、關聯規則(association rule)、維度縮減(dimensionality reduce)。它是監督式學習強化學習等策略之外的一種選擇。

一個常見的無監督學習是 数据聚类 。在人工神經網路中,生成對抗網絡(GAN)、自組織映射(SOM)和 適應性共振理論 (ART)則是最常用的非監督式學習。

ART模型允許叢集的個數可隨著問題的大小而變動,並讓使用者控制成員和同一個叢集之間的相似度分數,其方式為透過一個由使用者自定而被稱為 警覺參數 的常數。ART也用於模式識別,如 自動目標辨識 和 數位信號處理 。第一個版本為"ART1",是由卡本特和葛羅斯柏格所發展的。

方法

非監督式學習常使用的方法有很多種,包括:

另見


本文使用维基百科文章無監督學習中的材料,它是在Creative Commons Attribution-Share-Alike License 3.0下发布的。