1.2.2　无监督学习

无监督学习适用于未标记的数据，因此我们不需要实际的输出值，仅需要输入。它尝试在数据中查找模式并根据这些共同属性做出反应，将输入划分为多个不同聚类（如图1-2所示）。

图　1-2

通常，无监督学习通常与有监督学习结合使用，以减少输入空间并将数据中的信号集中在较少数量的变量上，但无监督学习还有其他目标。从这个角度来看，当标记数据很昂贵或不太可靠时，无监督学习比有监督学习更适用。

常见的无监督学习技术有聚类（clustering）和主成分分析（Principal Component Analysis，PCA）、独立成分分析（Independent Component Analysis，ICA），以及一些神经网络，例如生成对抗网络（Generative Adversarial Network，GAN）和自编码器（Autoencoder，AE）。本书稍后将更深入地探讨最后两个。