為何Python是機器學習的首選?懶人包10種演算法圖解,讓你一次看懂!
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
例如創立一個隨機森林模型預測數值，只有第三個決策樹預測為 0，可是假設整合所有決策樹的結果，將會判斷出預測值是為 1。
隨機森林的優點是可以處理大量的輸入變數，同ㄧ時間可以計算各例子中的親近度，對於資料探勘、偵測離群點和將資料視覺化很有用。
2. 聚類分析（Cluster analysis）
聚類分析是統計資料分析的技術，後來在如
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。
▲ 「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 (圖片來源： geeksforgeeks.org)
聚類時，需要實現的目標只是要把相似的東西聚到一起，一個聚類算法只需要知道如何計算相似度就可以開始分類，因此聚類算法並不需要使用訓練資料進行學習。
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，不光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 矩陣是一個複雜的實復負數矩陣，給定一個 m 行、n 列的矩陣 M，則 M 矩陣可以分解為 M = UΣV。U 和 V 是么正矩陣（unitary matrix），Σ 為對角陣。
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、經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。
▲ ICA 的經典問題「雞尾酒會問題」示意圖：目的是從混合信號 Mixture1 和 Mixture2 中恢復成每個人的獨立信號 Person1和Person2。(圖片來源：vocal.com)
ICA 是研究盲信號分離（blind signal separation）的一個重要方法，並且在實際中也有很多應用。
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 簡潔易學，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，若是要從頭開始選擇一種程式語言學習，
Python 絕對是最佳的選擇。
推薦閱讀：Python vs R語言：哪個比較適合人工智慧／機器學習？
本篇為下篇，上篇請點此
連結
相關文章:
何使用人工智慧工具，活用 Python 簡化繁瑣的行銷工作？
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」
Python vs R語言：哪個比較適合人工智慧／機器學習？
台灣本土開發AI 發行首張音樂專輯<<武漢肺炎>>
零基礎入門Python學習指南
Python零基礎如何迅速功力倍增的24個建議
保護環境需仰賴效率比人類快 3000 倍的AI(上)
