2. 无监督学习 2.1.1 高斯混合 2.1.1.1.1 优点 2.1.1.2 选择经典高斯混合模型中分量的个数 2.1.2 变分贝叶斯高斯混合 2.1.2.2. BayesianGaussianMixture下的变分推理的优缺点2.1.2.2.2 缺点 2.2 流形学习 2.2.2 Isomap 2.2.3 局部线性嵌入 2.2.4 改进型局部线性嵌入(MLLE) 2.2.5 黑塞特征映射(HE) 2.2.6 谱嵌入 2.2.7 局部切空间对齐(LTSA) 2.2.8 多维尺度分析(MDS) 2.2.8.2 非度量 MDS 2.2.9.1 优化 t-SNE 2.2.10 实用技巧 2.3.1 聚类方法概述 2.3.2.1 小批量 K-Means 2.3.5 Spectral clustering 2.3.5.2 谱聚类用于图聚类问题 2.3.6.1 不同连接类型: Ward, complete and average linkage2.3.6.3 Varying the metric 2.3.8 OPTICS2.3.10 聚类性能度量 2.3.10.1.1 优点2.3.10.1.3 数学表达 2.3.10.2.1 优点2.3.10.2.3 数学公式 2.3.10.3.1 优点2.3.10.3.3 数学表达 2.3.10.4.1 优点 2.3.10.5 Silhouette 系数 2.3.10.5.2 缺点 2.3.10.6.1 优点 2.4 双聚类 2.4.1.1 数学公式 2.4.2.1 数学表示 2.5 分解成分中的信号(矩阵分解问题) 2.5.3 词典学习 2.5.3.2 通用词典学习 2.5.4 因子分析2.5.6 非负矩阵分解(NMF 或 NNMF) 2.5.6.2 具有 beta-divergence 的 NMF 2.6 协方差估计 2.6.2 收敛协方差 2.6.2.2 Ledoit-Wolf 收敛 2.6.3 稀疏逆协方差 2.6.4.1 最小协方差决定 2.7.1 孤立点检测方法一览2.7.3 Outlier Detection(异常值检测) 2.7.3.2 Isolation Forest(隔离森林) 2.7.4 使用LOF进行新奇点检测 2.8.1 密度估计: 直方图 2.9 神经网络模型(无监督) 2.9.1.1 图形模型和参数化