有监督学习无监督学习半监督学习区分，无监督学习算法有哪些（有监督 无监督 半监督）

有监督学习

有监督学习是机器学习的一种方法，其中模型从标记的训练数据中进行学习，这意味着，对于每个输入数据，都有一个期望的输出或标签与之对应，模型尝试找出输入和输出之间的映射关系，以便在给定新的输入时，能够预测出正确的输出。

无监督学习

无监督学习是机器学习的一种方法，其中模型从未标记的数据中进行学习，这意味着，对于每个输入数据，都没有期望的输出或标签与之对应，模型尝试找出数据中的模式或结构，将相似的数据点分组在一起。

半监督学习

半监督学习是介于有监督学习和无监督学习之间的一种方法，在这种方法中，模型使用一部分标记的数据和一部分未标记的数据进行训练，这可以帮助模型更好地理解数据的分布，从而在面对未标记的新数据时，能够做出更准确的预测。

无监督学习算法

无监督学习算法主要有以下几种：

1、聚类算法：这是一种试图将数据集划分为几个组或“簇”的方法，使得同一组内的数据点彼此相似，而不同组的数据点彼此不同，常见的聚类算法有Kmeans、层次聚类等。

2、降维算法：这是一种试图减少数据集维度的方法，以便于理解和处理，常见的降维算法有主成分分析（PCA）、tSNE等。

3、关联规则学习：这是一种试图发现数据集中变量之间关系的方法，常见的关联规则学习算法有Apriori、FPGrowth等。

4、异常检测：这是一种试图找出数据集中的异常值或离群点的方法，常见的异常检测算法有一类支持向量机（OneClass SVM）、孤立森林等。

5、自组织映射（SOM）：这是一种试图将高维数据映射到低维空间的方法，同时保持原始数据的某些特性。

6、深度学习：虽然深度学习通常被认为是一种有监督学习方法，但在某些情况下，也可以使用未标记的数据进行预训练，然后再使用标记的数据进行微调，这可以被视为一种半监督学习方法。