李宏毅unsupervised learning-Linear Methods（lecturte13）课堂笔记

 贴标签，不知道要分成多少类？就要根据经验决定。----->简单介绍K近邻

两两计算相似度（相似度高的两个），切一刀看哪些在一组

cluster时就是以偏概全，每个object都一定属于某个cluster，但这样太过粗糙，所以要用一个vector表示一个object。

 dimension reduction被引入，简介：

假设三维空间有如图左侧分布，但用三维空间去表示这些分布是很浪费的，摊平如右侧的2D就很容易解决

那么怎么做降维呢？就是要找一个function，输入是一个vector x，输出是一个vector z，z的维度小于x

介绍两个方法，一个是feature selection，该方法有点鸡肋。另一个就是主成分分析PCA

怎么解w¹和w²呢（只截图了，没有好好看视频，也没有好好看公式）

 直观PCA证明想法

 PCA缺点：

因为无监督可能会把两类投影一个平面上，因为是线性的，无法投影S曲面，只会打扁不会拉伸

Matrix Factorization举例：

 也是用梯度下降求出

李宏毅unsupervised learning-Linear Methods（lecturte13）课堂笔记

原文：https://www.cnblogs.com/lunotebook/p/11466688.html