machine-learning - 使用PCA时监督学习和无监督学习的区别

Question

我已阅读答案here 。但是，我无法将其应用到我的一个示例中，所以我可能仍然不明白。

这是我的例子:假设我的程序正在尝试学习PCA(主成分分析)。或对角化过程。我有一个矩阵，答案是它的对角化:

A = PDP^-1

如果我理解正确的话:

在监督学习中，我将尝试所有错误

我的问题是:

• 在无监督学习中我会得到什么？

当我进行试验时，每次试验都会出现错误，而不是提前出现所有错误吗？还是别的什么？

Answer 1

首先，PCA既不用于分类，也不用于聚类。它是一种数据分析工具，您可以在其中找到数据的主要成分。这可以用于例如降维。监督学习和无监督学习在这里没有任何关系。

但是，PCA 通常可以在使用学习算法之前应用于数据。

在监督学习中，你有(正如你所说的)一组带有“错误”的标记数据。

在无监督学习中，您没有任何标签，即，您根本无法验证任何内容。您所能做的就是以某种方式对数据进行聚类。目标通常是实现内部更加同质的集群。可以使用集群内方差指标来衡量成功。