机器学习算法本身可以分为四类，监督学习，无监督学习，半监督学习与强化学习。我在研究生期间，研究的是粒子群算法与学习自动机，其中后者就属于没那么出名的强化学习算法类。当然，因为研究方向属于机器学习，因此对其他算法也有一点了解，在此给大家简单介绍几个无监督学习算法。

k-means算法应该是最出名的无监督学习算法，中文译名聚类算法。算法流程是首先随机生成几个点叫做聚类中心，然后通过不断迭代来更新聚类中心位置以及围绕聚类中心的点（数据）。在不断的迭代过程中，有些聚类中心会由于失去其拥护者（围绕其的数据）而被抛弃。

在初始化的时候，通常会选择k个聚类中心，不断迭代，直到达到优化目标结束。这个优化目标通常叫失真代价函数或者畸变函数，当函数达到最优解（相对最优，在这类连续空间中，是不可能找到绝对的全局最优解的）或迭代资源用尽，就算达到目标。

高斯混合模型主要的特点在于可以对无标签的数据进行分组，然后再进行数据的聚类分析。

这个算法属于流行学习算法中的一种。流型学习算法对存在非线性关系的数据集的处理效果非常好，要比多元回归分析更加节约研究人员的人力。它通过将一个低维度流型嵌入到一个高维度空间来描述数据集，是一种无监督的评估器。

伪代码如下：

from sklearn.datasets import load_digits

from sklearn.manifold import Isomap

digits = load_digits()

digits.images.shape

# 可视化数据集

fig, axes = plt.subplots(10, 10, figsize=(8,8),

subplot_kw={"xticks": [], "yticks": []},

gridspec_kw=dict(hspace=0.1, wspace=0.1))

for i, ax in enumerate(axes.flat):

ax.imshow(digits.images[i], cmap="binary", interpolation="nearest")

ax.text(0.05, 0.05, str(digits.target[i]), transform=ax.transAxes, color="green")

以上是我的浅见，欢迎各位在下方评论区给我交流点赞。

我是苏苏思量，来自BAT的Java开发工程师，每日分享科技类见闻，欢迎关注我，与我共同进步。

分成几种类型，大家知道最多的是k mean了，聚类还有mixture Gaussian model就是软聚类，第二种是最有意思的，矩阵分解模型，包括非常多的变种，PCA,svd.EM, LDA等等，通常用来得到latent或embedding,或者用来推测缺失值，第三种是马尔科夫系列模型，第四种名字忘了，通过联合计数来得到事物之间的关系，比如啤酒与尿布的案例可以通过这种方式得到