使用 k-means 聚类或关联规则的无监督学习应用

Question

我一直在研究无监督学习的一些应用，但在互联网上只发现了一些假设的应用，例如无监督学习可以用于欺诈检测等。例如，对于监督学习，您拥有在现实世界中实施的即时医生。然而，对于无监督学习，这些应用程序似乎是假设性的，实际上是在实施，还是只是假设性的？

Answer 1

无监督学习有很多应用，并且有各种技术可以帮助我们实现这些应用。我将简要介绍其中的一些

1) 图像分割 - 您将图像划分为不同的区域，然后将它们聚类以将它们客观化。

2) Netflix 电影推荐系统，其中将用户观看的那些电影放入一个集群中。在这里，无监督学习在确定这些电影然后向该用户推荐其他此类/类似电影方面发挥着重要作用。

3) 亚马逊购物，其中相似的用户基于他们的购物历史、支付的物品金额、访问特定类型的物品都放在一个集群中，这有助于这些巨头研究这些因素，然后只向你推荐这些东西。

要实现这些和其他，需要基于无监督学习的技术。一些技术，如 k-means、层次聚类、基于密度的聚类，广泛用于实际应用。

这些只是无监督学习的众多应用中的一小部分。

希望这能澄清一下。