书名：计算机视觉40例从入门到深度学习：OpenCV-Python
作者：李立宗
出版社：电子工业出版社
出版时间：2022-07-01
ISBN：9787121436857

---

第15章 机器学习导读

15.2 机器学习基础概念

15.2.1 机器学习的类型

二、无监督学习

1、定义

• 无监督学习是指没有监督的学习。
  简单地说，在无监督学习中只有数据，数据没有明确含义，或者说数据没有对应的标签。
  无监督学习就是需要对抽象的数据进行学习，并从中找到规律。
• 一般来说，无监督学习有两种应用：
  一种是分类，
  另一种是异常检测。

2、典型应用——分类

• 处理数字的最简单方式就是分类。
  分组示例如图15-5所示，按照数值的大小，将数值划分到不同的组内。
  分组后不同组有不同含义。

  
  图15-5 分组示例

• 不过需要注意的是，在机器学习中通常不直接对数据进行分组，而是对原始数据进行一定的处理后，再进行分组。
  或者说，原始数据是无法直接分组的，将数据映射到一个新的空间后，才可以对数据进行分组，如图15-6所示。

  
  图15-6 映射分组示意图

3、分类的好处

• 分类能够帮助我们简化问题。
  例如，可以将年龄划分为少年、青年、中年、老年四组，分组后的数据与介于[0，100]的众多原始数据相比少了很多。
  在处理用户画像等场合，通常采用该方法。
• 分类能够帮助我们完成数据压缩。
  例如，灰度图像需要256个灰度级，对应像素值为[0，255]，计算机需要用8个二进制位表示一个像素。若对图像质量要求不高，则可以根据需要将像素点划分为纯黑和纯白两组，分别用0和1表示，这样只用一个二进制位就能表示一个像素点的颜色。采用这种方式，数据的压缩比为8:1。
• 分类有利于可视化。
  例如，图15-6中的数据原本是混在一起的，分类后我们更容易观察到数据的分布及关系等。

4、典型应用——异常检测

• 无监督学习在异常检测方面的应用有信用卡异常监测、缺陷检测、异常数据处理等。
  如图15-7所示，机器学习掌握了正常数据（圆形数据）的特征，在遇到新的五角星数据时，它会准确地将数据A处理为异常，将数据B处理为正常。

  
  图15-7 异常检测示意图

5、无监督学习算法

比较重要的无监督学习有

• K均值聚类、
• 可视化和降维、
• 主成分分析（PCA）、
• 单分类支持向量机（One-class SVM）、
• 关联规则学习。