下面淩亂的小記一下無監督學習
無監督學習->聚類 降維
聚類：數據相似性
相似性的評估：兩個數據樣本間的距離
距離：歐氏距離 曼哈頓距離 馬氏距離 夾角余弦

sklearn 聚類算法 sklearn.cluster，如k-means 近鄰傳播 DBSCAN等
標準的數據輸入格式：[樣本個數，特征個數]定義的矩陣形式

介紹sklearn.cluster
|算法名稱|參數|可擴展性|相似度度量|
|-|-|-|-|

降維

主成分分析PCA

PCA常用於高維數據集的探索與可視化，還可以用於數據壓縮和預處理
可以把具有相關性的高維變量合成為線性無關的低維變量，稱為主成分，它能夠盡可能保留原始數據的信息。
一些術語
方差：各個樣本和樣本均值的差的平方和的均值，度量一組數據的分散程度
協方差：度量兩個變量之間的線性相關性程度，為0表示二者線性無關
協方差矩陣：由變量的協方差值構成的矩陣，是對稱陣
特征向量和特征值：略

PCA原理：矩陣的主成分就是其協方差矩陣對應的特征向量，按照對應的特征值大小進行排序，最大的特征值是第一主成分，其次是第二主成分，以此類推。
算法過程（參見周誌華書）：
輸入：樣本集，低維空間維數d
過程：1、對所有樣本進行去中心化；2、計算樣本的協方差矩陣；3、對協方差矩陣做特征值分解；4、取最大的d個特征值所對應的特征向量
輸出：投影矩陣={特征向量}
使用：sklearn.decomposition.PCA

非負矩陣分解NMF

是在矩陣中所有元素均為非負數約束條件下的矩陣分解方法
基本思想：給定一個非負矩陣V，NMF能夠找到一個非負矩陣W和一個非負矩陣H，使得矩陣W和H的乘積近似等於矩陣V中的值。
W：基礎圖像矩陣，相當於從元矩陣V中抽取出的特征
H：系數矩陣
廣泛用於圖像分析、文本挖掘和語音處理等領域。
非負矩陣分解
矩陣分解的優化目標：最小化W矩陣H矩陣的乘積和原始矩陣之間的差。
使用：sklearn.decomposition.NMF

無監督學習小記（參考）