Skip to content

Machine Learning › 非監督式學習

非監督式學習 (Unsupervised Learning) ​

沒有標籤時尋找資料結構:分群、降維視覺化、找異常、挖共現規則。沒有「正確答案」可以對照,所以更需要視覺化、領域知識與穩定性檢查。

模組 ​

模組內容回答的問題
分群K-Means、階層式、DBSCAN / HDBSCAN、GMM資料自然分成幾群?
降維PCA、t-SNE、UMAP、NMF高維資料怎麼壓縮、怎麼畫出來?
異常偵測Isolation Forest、LOF、時間序列異常哪些觀測值不尋常?
關聯規則(選讀)Apriori、FP-Growth、support / confidence / lift哪些項目常一起出現?

典型用途 ​

用途例子
探索與分群顧客分群、單細胞找細胞類型、腫瘤亞型
視覺化高維資料基因表現的 PCA / UMAP 圖、批次效應檢查
壓縮與降噪PCA 後再分群或建模
找罕見或可疑的觀測詐欺、儀器故障、QC 不合格樣本
共現模式購物籃、共同出現的症狀或突變

閱讀提醒 ​

提醒說明
分群結果是假設,不是發現只是某種距離定義下的切分;任何資料都能被切成 k 群,見 分群是假設,不是結論
降維圖分得開 ≠ 原空間分得開t-SNE / UMAP 會放大局部分離;群間距離沒有意義
高 confidence 的規則 ≠ 因果甚至可能是負相關(lift < 1)
距離型方法都要先縮放K-Means、階層式、DBSCAN、KNN、LOF
先看技術因素生資資料的「群」常是批次、定序深度或樣本品質,見 批次效應