首先需要知道什麼是無監督？
監督學習，就是人們常說的分類，可通過已有的訓練樣本（即已知資料以及其對應的輸出）去訓練得到乙個最優模型，再利用這個模型將所有的輸入對映為相應的輸出，對輸出進行簡單的判斷從而實現分類的目的。
無監督學習是事先沒有任何訓練樣本，需要直接對資料進行建模。
聚類就是在樣本沒有標註的情況下，對樣本進行特徵提取並分類，屬於無監督學習的內容。
那麼無監督聚類有什麼作用呢？
無監督聚類主要用於特徵提取分類，具體到生物學研究領域，其能根據提供的樣本資料（如基因表達晶元資料），來評價其相關性和可能的分組方案。
該方法在癌症基因組學尤其是分子層面的新子類研究中已得到普及。
注！！！！可以結合gcbi進行無監督聚類的實驗。。。。。。。
無監督聚類演算法
劃分聚類 k means 聚類 k means演算法，也被稱為k 平均或k 均值，是一種廣泛使用的聚類演算法，或者成為其他聚類演算法的基礎。k means 對初值敏感，可以使用 k mediods聚類 k 中值聚類 選擇較好的聚類初值 k means 演算法，不同與k means演算法隨機選擇聚類中...
無監督學習 聚類
聚類是針對給定的樣本，根據據他們特徵的相似度或者距離，將其歸併到若干個 類 或 簇 的資料分析問題。乙個類是樣本的乙個子集。直觀上，相似的樣本在相同的類，不相似的樣本分散在不同的類。目的是通過得到的 類 或 簇 來發現資料的特點或者對資料進行處理，在資料探勘 模式識別等領域有著廣泛的應用。屬於無監督...
無監督學習 聚類 K means聚類演算法
無監督學習 聚類 k means聚類演算法 以k為引數，把n個物件分為k個簇，使簇內具有較高相似度，簇間相似度較低 1.隨機選擇k個點作為初始聚類中心 2.根據剩下點與聚類中心的距離 預設就是歐氏距離 歸為最近的簇 3.對每個簇，計算所有點的均值作為新聚類中心 4.重複2 3直至聚類中心不變 31省...