6、无监督学习知识点

聚类
K-mean：选k个点，不断计算中心距离(x,y坐标的平均值)进行分类
DBscan：设置圆半径对相邻点进行归类
层次：两两合并，和哈夫曼树构造类似
mean shift：计算梯度密度，向该方向移动
C-mean：高斯分布核的距离分类


关联

apriori：
将所有数据排列组合，根据支持度和置信度对组合进行筛选

fp-grow：
根据支持度和置信度，构造fP树进行排列组合

euclat：
用元素划分置信度，再划分元素



降维

pca：协方差
PCA的工作就是从原始的空间中顺序地找一组相互正交的坐标轴，新的坐标轴的选择与数据本身是密切相关的。转换坐标系时，以方差最大的方向作为坐标轴方向，因为数据的最大方差给出了数据的最重要的信息。

Lda：投影
投影后类内方差最小，类间方差最大

SNE与t-SNE：将“距离的远近关系”转化为一个概率分布，梯度下降法更新降维参数，计算出映射后的两组概率用KL散度衡量效果，用梯度下降调节效果。
SNE:  高斯分布  
t-SNE：t分布（指数拉大距离减少拥挤）  解决拥挤重叠现象

LSA和SVD：
奇异值分解，将一个矩阵用其他几个矩阵的乘积来表示