原作：Justin Gage
虚无之栗 编译自 Algorithmia
量子位 出品 | 公众号 QbitAI

如果你的一大坨数据没。有。标。签，怎么办？

无监督学习是机器学习算法里非常扑朔迷离的一个类别，负责解决这些“没有真实值 (no-ground-truth) ”的数据。

本文会讲到，无监督学习到底是什么，和机器学习的其他算法有何本质区别，用的时候有哪些难点，以及推荐阅读的传送门。

无监督学习是什么？

最简单的理解方式，就是把算法想象成考试。卷子上的每道题对应一个答案，得分高低就要看你的答案和标准答案有多接近。不过，如果没有答案只有问题，你要怎么给自己打分？

把这一套东西挪到机器学习上来。传统的数据集都有标签 (相当于标答) ，逻辑是“X导致Y”。比如，我们想要知道，推特上粉丝更多的人，是不是收入也更高。那么，input是粉丝数，output是收入，要试着找出两组数据之间的关系。

每颗星是一个数据点，机器学习就是要画出差不多能连起那些点的一条线，以此解释input和output之间的关系。但在无监督学习里，并没有output这个东西。

我们要做的是分析input，也就是粉丝数。但没有收入，或者Y。就像是考试只有题，没有标答一样。

其实，也不一定是没有Y，可能我们只是没有办法获得收入数据。不过这都不要紧，重要的是不需要画出X和Y之间的那条线了，不需要找它们之间的关系了。

那么，无监督学习的目标是什么？如果只有input没有output，我们到底该怎么办？

无监督学习分几种

聚类(Clustering)

任何行业都需要对用户的理解：他们是谁？是什么促使他们做出购买的决定？

通常，用户可以按照某些标准分为几组。这些标准可简单如年龄如性别，也可复杂如用户画像、如购买流程。无监督学习可以帮我们自动完成这个任务。

聚类算法会跑过我们的数据，然后找出几个自然聚类 (Natural Clusters) 。以用户为例，一组可能是30多岁的艺术家，另一组可能是家里养狗的千万富翁。我们可以自己选择聚类的数量，这样就能调整各个组别的粒度 (Granularity) 。

有以下几种聚类方法可以选用：

· K-Means聚类，把所有数据点划分到K个互斥组别里。复杂之处在于如何选取K的大小。

· 层次聚类 (Hierarchical Clustering) ，把所有数据点划分到一些组别、和它们的子组别里，形成像族谱一样的树状图。比如，先把用户按年龄分组，然后把各个组别按照其他标准再细分。

· 概率聚类 (Probabilistic Clustering) ，把所有数据点按照概率来分组。K-Means其实就是它的一种特殊形式，即概率永远为0或1的情况。所以这种聚类方式，也被亲切地称为“模糊的K-Means”。

这几种并无本质区别的方法，写成代码可能就长这样——

任何聚类算法的output，都会是所有的数据点、以及它们所对应的组别。这就需要我们自己来判断，output代表怎样的含义，或是算法到底发现了什么。数据科学的魅力即在于，output加上人类的解读，便会产生价值。

数据压缩 (Data Compression)

在过去的十年间，设备的计算能力和存储能力都增强了许多。不过，即便在今天我们依然有理由，让数据集尽可能小、并尽可能高效。这意味着，只要让算法去跑一些必要的数据，而不要做过多的训练。

无监督学习可以用一种名为数据降维 (Dimentionality Reduction) 的方式做到这一点。

数据降维的“维”，就是指数据集有多少列。这个方法背后的概念和信息论 (Information Theory) 一样：假设数据集中的许多数据都是冗余的，所以只要取出一部分，就可以表示整个数据集的情况了。

在实际应用中，我们需要用某种神秘的方式，把数据集里的某些部分结合到一起，来传达某些意义。这里有我们比较常用的两种降维方式——

· 主成分分析算法 (PCA) ，找出能够把数据集里的大多数变化联系起来的线性组合。
· 奇异值分解 (SVD) ，把数据的矩阵分解成三个小矩阵。

这两种方法，以及另外一些更复杂的降维方式，都用了线性代数的概念，把矩阵分解成容易消化的样子，便于传递信息。

数据降维可以在机器学习算法里，起到非常重要的作用。以图像为例，在计算机视觉里，一幅图像就是一个巨大的数据集，训练起来也很费力。而如果可以缩小训练用的数据集，模型就可以跑得更快了。这也是为什么，PCA和SVD都图像预处理时常见的工具。

无监督深度学习

无监督学习，把领地扩张到了神经网络和深度学习里，这一点也不奇怪。这个领域还很年轻，不过已经有了自编码器 (Autoencoder) 这样的先行者。

自编码器和数据压缩算法背后的逻辑差不多，用一个子集来反映原始数据集的特征。像神经网络一样，自编码器利用权重把input转换成理想的output。不过在这里，output和input并不是两种不同的东西，output只是input的一种更轻便的表示方式。

在计算机视觉中，自编码器被用在图像识别算法里。现在，它也已经把触角伸向声音和语音识别等更多的领域。

实战难点有哪些

除了寻找合适的算法和硬件，这样常见的问题之外，无监督学习自带一种神秘的气质——不知道任务到底完成了没有。

在监督学习里，我们会定下一套标准，以做出模型调试的决策。精确度 (Precision) 和查全率 (Recall) 这样的指标会告诉我们，现在的模型有多准确，然后我们可以调整参数来优化模型。分数低，就要继续调。

可是，无监督学习的数据没有标签，我们就很难有理有据地定下那套衡量标准。以聚类为例，怎么知道K-Means的分类好不好 (比如K值取的合不合适) ？没有标准了，我们可能就需要有点创造力。

“无监督学习在我这里管用么？”是人们经常提出的问题。这里，具体问题要具体分析。还以用户分组为例，只有当你的用户真的和自然聚类相匹配的时候，聚类的方法才有效。

虽然有些风险，但最好的测试方法，可能就是把无监督模型放到现实世界里，看看会发生什么——让有聚类的和没有聚类的算法做对比，看聚类能不能得出更有效的信息。

当然，研究人员也在尝试编写，自带 (相对) 客观评判标准的无监督学习算法。那么，栗子在哪里？

友好的传送门：

https://blog.algorithmia.com/introduction-to-unsupervised-learning/

下拉至Reading and Papers，栗子可能要从那里开始吃。

△ 祝您消化顺畅

— 完 —

活动报名

诚挚招聘

量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态