
无监督学习
|
193
无监督学习和预测
在回归和分类等预测问题中,无监督学习可以发挥重要作用。在某些情况下,我们希
望能在缺少标记数据的情况下预测一个类别。例如,我们可能想使用一组卫星传感数
据,预测某个地区的植被类型。鉴于我们并没有响应变量去训练模型,这时可使用聚
类方法识别其中的常见模式,并对地理区域进行分类。
聚类是一种解决“冷启动问题”的尤为重要的工具。在冷启动问题中,例如推出新的
营销活动、识别潜在的新型欺诈或垃圾邮件,可能一开始我们并没有任何响应可用于
训练模型。随着时间的推移和数据的积累,我们才有可能更多地了解系统,并构建传
统的预测模型。但是,聚类通过确定如何拆分总体,让我们可以更快地开始学习过程。
无监督学习也是回归和分类技术的重要组成部分。对于大数据而言,如果总体中的某
个子集并不具有代表性,那么训练好的模型可能会在该子集上表现不佳。聚类可以识
别并标记子集,进而对各个子集拟合不同的模型。或者,也可以用一些特定的特征去
表示子集,并强制整个模型明确地以所识别的子集为预测因子。
7.1
主成分分析
变量常常会一起发生变化(共变)。实际上,不同变量的部分变化可能会重叠。
主成分分
析
(
PCA
)就是一种能够发现数值型变量共变方式的技术
1
。
主要术语
主成分
预测变量的一种线性组合。
载荷
将预测因子转换为成分的过程中所使用的权重值。
同义词:权重
陡坡图
一种展示各成分方差的绘图,图中显示了各成分的相对重要性。
主成分分析的基本理念是,将多个数值型预测变量组合成一组规模较小的变量,它们是原
始变量的加权线性组合