關於機器學習十種圖解演算法-非監督式學習篇(下)
本篇為下篇，上篇請點此連結
二、非監督式學習
1. 隨機森林（Random Forest）
隨機森林可以視為決策樹的延伸，可以把隨機森林當作是多個決策樹組合而成，並加入隨機分配的訓練資料，以大幅增進最終的運算結果。其想法就是結合多個「弱學習器」（即決策樹）來建構一個「強學習器」模型。這種方法被稱為「集成」（Ensemble Method）。同時也能降低單個決策樹出錯的風險。
▲ 決策樹演算法示意圖
隨機森林的優點為可以處理大量的輸入變數，同時可以計算各例中的親近度，對於資料探勘、偵測離群點和將資料視覺化非常有用。
2. 聚類分析（Cluster analysis）
聚類分析是統計資料分析的技術，後來在像是機器學習等領域受到廣泛應用。「聚類」是把相似的物件通過靜態分類，分成不同的組別或子集（subset）。聚類有很多種方法，常見的如 K-means、層次聚類（Hierarchical clustering）、譜聚類（Spectral Clustering）等等。
3. 主成分分析（Principal Component Analysis，PCA）
主成分分析 PCA 是一個在機器學習與統計學領域中被廣泛用來分析資料、降低數據維度以及去關聯的線性降維方法。降維（Dimension reduction）是當資料維度數（變數）很多的時候，嘗試讓維度數（變數）少一點，但資料特性不會差太多的方法。機器學習使用 PCA 達到降維的目的，主要是為了避免「維數災難」，或稱「維度詛咒」，指當維度增加時，分析和組織高維空間因體積指數增加而遇到各種問題：在機器學習問題中，模型預測能力會隨著維度的增加而減小。
4. 奇異值分解（Singular Value Decomposition，SVD）
奇異值分解 SVD 是線性代數中一種重要的矩陣分解，不僅可以用於降維演算法中的特徵分解，還可以用於推薦系統以及自然語言處理等領域。
▲ 實數 2×2 矩陣 M 的奇異值分解 UΣV * 的圖示。(圖片來源：圖片來自 Wikipedia)
SVD 在某些時候可以做為簡化版的 PCA 利用。PCA 演算法可以不用做特徵分解，而是做 SVD 來完成，在樣本量很大的時候很有效。實際上 Python 的免費機器學習庫「scikit-learn」的 PCA 演算法的背後真正的實現就是用 SVD。
獨立成分分析（Independent components analysis，ICA）
ICA 是一種利用統計原理進行計算的方法。前面在主成分分析（PCA）時談到「降維」的方法，但對符合高斯分佈的樣本點比較有效，那麼對於其他分佈的樣本，則是適合用「主元分解」的 ICA。ICA 會假設現有資料其實是多個彼此獨立的資料、透過混合後成為現有資料，因此期望能夠從手中的資料，回推出是哪些獨立的分配。例如 ICA 的經典問題「雞尾酒會問題」（cocktail party problem）：描述給定混合信號，如何分離出雞尾酒會中同時說話的每個人的獨立信號。
為何使用 Python 學機器學習、而不是 R 語言？
介紹完當今應用最廣泛、最熱門的幾大機器學習演算法，可以看出從數據分析、統計分析到模型驗證等等都應用在其中。Python 可以說是簡單上手的程式語言，原本就適合作為第一個入門的程式語言，而透過如 scikit-learn 的 Python 機器學習套件，在 Python 中提供大量常見的機器學習演算法和許多實用的函式庫，亦能呈現該演算法資料輸出的型態，相當方便。
當然 Python 和 R 語言不是互斥，許多工程師也是在兩者之間切換，但是有鑑於 Python 是當今的通用語言，除了AI人工智慧領域外也可以廣泛應用在各種領域，其免費及開源的特性， 有許多支持 Python 的輔助工具、大型模組與函式庫，可以簡單上手數據分析或複雜的程式計算，以及能與幾乎所有現代作業系統兼容等的特點，讓它脫穎而出。
以投資報酬率而言，如果是要從頭開始選擇一種程式語言學習，Python 肯定是最佳的選擇。
推薦閱讀：Python vs R語言：哪個比較適合人工智慧／機器學習？
更多閱讀:
Python vs R語言：哪個比較適合人工智慧／機器學習？
六個月從工地工人轉職 Java 軟體工程師，全因半年做了「對的決定」
如何使用人工智慧工具，活用 Python 簡化繁瑣的行銷工作？
台灣本土開發AI 發行首張音樂專輯<<武漢肺炎>>
學Python的三大好處,看完馬上手刀報名了!
人工智慧機器狗Aibo,堪稱最懂你的寵物!!(上)
視障朋友的希望!Google人工智慧眼鏡帶你看世界(上)
