无监督学习

从无标签数据中发现模式

K-Means

• 算法流程：初始化 → 分配 → 更新 → 收敛
• K-Medoids：对噪声更鲁棒
• 肘部法则 / 轮廓系数选择 K

PCA

• 方差最大化推导
• 奇异值分解 (SVD) 实现
• 降维可视化

t-SNE / UMAP

• t-SNE：局部结构保持，适合可视化
• UMAP：全局+局部结构，速度更快
• 注意：仅用于可视化，不用于下游任务输入

练习

• 用 PCA 对 MNIST 降维后可视化
• 用 K-Means 对客户数据聚类，分析轮廓系数
• 对比 t-SNE 和 UMAP 在同一数据集上的可视化效果

资源

资源	链接
Sklearn 聚类文档	https://scikit-learn.org/stable/modules/clustering.html
UMAP 文档	https://umap-learn.readthedocs.io/