Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
sklearn-doc-zh
提交
d85de65e
S
sklearn-doc-zh
项目概览
OpenDocCN
/
sklearn-doc-zh
通知
3
Star
3
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
S
sklearn-doc-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
前往新版Gitcode，体验更适合开发者的 AI 搜索 >>
提交
d85de65e
编写于
6月 14, 2019
作者:
L
loopyme
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
调整格式
上级
ef0ed196
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
122 addition
and
120 deletion
+122
-120
docs/19.md
docs/19.md
+122
-120
未找到文件。
docs/19.md
浏览文件 @
d85de65e
# 2\. 无监督学习
*
[
2.1\. 高斯混合模型
](
/docs/20?id=_21-高斯混合模型
)
*
[
2.1.1\. 高斯混合
](
/docs/20?id=_211-高斯混合
)
*
[
2.1.1.1\. 优缺点 `GaussianMixture`
](
/docs/20?id=_2111-优缺点-`gaussianmixture`
)
*
[
2.1.1.1.1\. 优点
](
/docs/20?id=_21111-优点
)
*
[
2.1.1.1.2\. 缺点
](
/docs/20?id=_21112-缺点
)
*
[
2.1.1.2\. 选择经典高斯混合模型中分量的个数
](
/docs/20?id=_2112-选择经典高斯混合模型中分量的个数
)
*
[
2.1.1.3\. 估计算法期望最大化（EM）
](
/docs/20?id=_2113-估计算法期望最大化（em）
)
*
[
2.1.2\. 变分贝叶斯高斯混合
](
/docs/20?id=_212-变分贝叶斯高斯混合
)
*
[
2.1.2.1\. 估计算法: 变分推断（variational inference）
](
/docs/20?id=_2121-估计算法:-变分推断（variational-inference）
)
*
[
2.1.2.1.1\. 优点
](
/docs/20?id=_21211-优点
)
*
[
2.1.2.1.2\. 缺点
](
/docs/20?id=_21212-缺点
)
*
[
2.1.2.2\. The Dirichlet Process（狄利克雷过程）
](
/docs/20?id=_2122-the-dirichlet-process（狄利克雷过程）
)
*
[
2.2\. 流形学习
](
/docs/21?id=_22-流形学习
)
*
[
2.2.1\. 介绍
](
/docs/21?id=_221-介绍
)
*
[
2.2.2\. Isomap
](
/docs/21?id=_222-isomap
)
*
[
2.2.2.1\. 复杂度
](
/docs/21?id=_2221-复杂度
)
*
[
2.2.3\. 局部线性嵌入
](
/docs/21?id=_223-局部线性嵌入
)
*
[
2.2.3.1\. 复杂度
](
/docs/21?id=_2231-复杂度
)
*
[
2.2.4\. 改进型局部线性嵌入（MLLE）
](
/docs/21?id=_224-改进型局部线性嵌入（mlle）
)
*
[
2.2.4.1\. 复杂度
](
/docs/21?id=_2241-复杂度
)
*
[
2.2.5\. 黑塞特征映射（HE）
](
/docs/21?id=_225-黑塞特征映射（he）
)
*
[
2.2.5.1\. 复杂度
](
/docs/21?id=_2251-复杂度
)
*
[
2.2.6\. 谱嵌入
](
/docs/21?id=_226-谱嵌入
)
*
[
2.2.6.1\. 复杂度
](
/docs/21?id=_2261-复杂度
)
*
[
2.2.7\. 局部切空间对齐（LTSA）
](
/docs/21?id=_227-局部切空间对齐（ltsa）
)
*
[
2.2.7.1\. 复杂度
](
/docs/21?id=_2271-复杂度
)
*
[
2.2.8\. 多维尺度分析（MDS）
](
/docs/21?id=_228-多维尺度分析（mds）
)
*
[
2.2.8.1\. 度量 MDS
](
/docs/21?id=_2281-度量-mds
)
*
[
2.2.8.2\. 非度量 MDS
](
/docs/21?id=_2282-非度量-mds
)
*
[
2.2.9\. t 分布随机邻域嵌入（t-SNE）
](
/docs/21?id=_229-t-分布随机邻域嵌入（t-sne）
)
*
[
2.2.9.1\. 优化 t-SNE
](
/docs/21?id=_2291-优化-t-sne
)
*
[
2.2.9.2\. Barnes-Hut t-SNE
](
/docs/21?id=_2292-barnes-hut-t-sne
)
*
[
2.2.10\. 实用技巧
](
/docs/21?id=_2210-实用技巧
)
*
[
2.3\. 聚类
](
/docs/22?id=_23-聚类
)
*
[
2.3.1\. 聚类方法概述
](
/docs/22?id=_231-聚类方法概述
)
*
[
2.3.2\. K-means
](
/docs/22?id=_232-k-means
)
*
[
2.3.2.1\. 小批量 K-Means
](
/docs/22?id=_2321-小批量-k-means
)
*
[
2.3.3\. Affinity Propagation
](
/docs/22?id=_233-affinity-propagation
)
*
[
2.3.4\. Mean Shift
](
/docs/22?id=_234-mean-shift
)
*
[
2.3.5\. Spectral clustering
](
/docs/22?id=_235-spectral-clustering
)
*
[
2.3.5.1\. 不同的标记分配策略
](
/docs/22?id=_2351-不同的标记分配策略
)
*
[
2.3.6\. 层次聚类
](
/docs/22?id=_236-层次聚类
)
*
[
2.3.6.1\. Different linkage type: Ward, complete and average linkage
](
/docs/22?id=_2361-different-linkage-type:-ward,-complete-and-average-linkage
)
*
[
2.3.6.2\. 添加连接约束
](
/docs/22?id=_2362-添加连接约束
)
*
[
2.3.6.3\. Varying the metric
](
/docs/22?id=_2363-varying-the-metric
)
*
[
2.3.7\. DBSCAN
](
/docs/22?id=_237-dbscan
)
*
[
2.3.8\. Birch
](
/docs/22?id=_238-birch
)
*
[
2.3.9\. 聚类性能度量
](
/docs/22?id=_239-聚类性能度量
)
*
[
2.3.9.1\. 调整后的 Rand 指数
](
/docs/22?id=_2391-调整后的-rand-指数
)
*
[
2.3.9.1.1\. 优点
](
/docs/22?id=_23911-优点
)
*
[
2.3.9.1.2\. 缺点
](
/docs/22?id=_23912-缺点
)
*
[
2.3.9.1.3\. 数学表达
](
/docs/22?id=_23913-数学表达
)
*
[
2.3.9.2\. 基于 Mutual Information （互信息）的分数
](
/docs/22?id=_2392-基于-mutual-information-（互信息）的分数
)
*
[
2.3.9.2.1\. 优点
](
/docs/22?id=_23921-优点
)
*
[
2.3.9.2.2\. 缺点
](
/docs/22?id=_23922-缺点
)
*
[
2.3.9.2.3\. 数学公式
](
/docs/22?id=_23923-数学公式
)
*
[
2.3.9.3\. 同质性，完整性和 V-measure
](
/docs/22?id=_2393-同质性，完整性和-v-measure
)
*
[
2.3.9.3.1\. 优点
](
/docs/22?id=_23931-优点
)
*
[
2.3.9.3.2\. 缺点
](
/docs/22?id=_23932-缺点
)
*
[
2.3.9.3.3\. 数学表达
](
/docs/22?id=_23933-数学表达
)
*
[
2.3.9.4\. Fowlkes-Mallows 分数
](
/docs/22?id=_2394-fowlkes-mallows-分数
)
*
[
2.3.9.4.1\. 优点
](
/docs/22?id=_23941-优点
)
*
[
2.3.9.4.2\. 缺点
](
/docs/22?id=_23942-缺点
)
*
[
2.3.9.5\. Silhouette 系数
](
/docs/22?id=_2395-silhouette-系数
)
*
[
2.3.9.5.1\. 优点
](
/docs/22?id=_23951-优点
)
*
[
2.3.9.5.2\. 缺点
](
/docs/22?id=_23952-缺点
)
*
[
2.3.9.6\. Calinski-Harabaz 指数
](
/docs/22?id=_2396-calinski-harabaz-指数
)
*
[
2.3.9.6.1\. 优点
](
/docs/22?id=_23961-优点
)
*
[
2.3.9.6.2\. 缺点
](
/docs/22?id=_23962-缺点
)
*
[
2.4\. 双聚类
](
/docs/23?id=_24-双聚类
)
*
[
2.4.1\. Spectral Co-Clustering
](
/docs/23?id=_241-spectral-co-clustering
)
*
[
2.4.1.1\. 数学公式
](
/docs/23?id=_2411-数学公式
)
*
[
2.4.2\. Spectral Biclustering
](
/docs/23?id=_242-spectral-biclustering
)
*
[
2.4.2.1\. 数学表示
](
/docs/23?id=_2421-数学表示
)
*
[
2.4.3\. Biclustering 评测
](
/docs/23?id=_243-biclustering-评测
)
*
[
2.5\. 分解成分中的信号（矩阵分解问题）
](
/docs/24?id=_25-分解成分中的信号（矩阵分解问题）
)
*
[
2.5.1\. 主成分分析（PCA）
](
/docs/24?id=_251-主成分分析（pca）
)
*
[
2.5.1.1\. 准确的PCA和概率解释（Exact PCA and probabilistic interpretation）
](
/docs/24?id=_2511-准确的pca和概率解释（exact-pca-and-probabilistic-interpretation）
)
*
[
2.5.1.2\. 增量PCA (Incremental PCA)
](
/docs/24?id=_2512-增量pca-（incremental-pca
)
*
[
2.5.1.3\. PCA 使用随机SVD
](
/docs/24?id=_2513-pca-使用随机svd
)
*
[
2.5.1.4\. 核 PCA
](
/docs/24?id=_2514-核-pca
)
*
[
2.5.1.5\. 稀疏主成分分析 ( SparsePCA 和 MiniBatchSparsePCA )
](
/docs/24?id=_2515-稀疏主成分分析-（-sparsepca-和-minibatchsparsepca-
)
*
[
2.5.2\. 截断奇异值分解和隐语义分析
](
/docs/24?id=_252-截断奇异值分解和隐语义分析
)
*
[
2.5.3\. 词典学习
](
/docs/24?id=_253-词典学习
)
*
[
2.5.3.1\. 带有预计算词典的稀疏编码
](
/docs/24?id=_2531-带有预计算词典的稀疏编码
)
*
[
2.5.3.2\. 通用词典学习
](
/docs/24?id=_2532-通用词典学习
)
*
[
2.5.3.3\. 小批量字典学习
](
/docs/24?id=_2533-小批量字典学习
)
*
[
2.5.4\. 因子分析
](
/docs/24?id=_254-因子分析
)
*
[
2.5.5\. 独立成分分析（ICA）
](
/docs/24?id=_255-独立成分分析（ica）
)
*
[
2.5.6\. 非负矩阵分解(NMF 或 NNMF)
](
/docs/24?id=_256-非负矩阵分解（nmf-或-nnmf
)
*
[
2.5.6.1\. NMF 与 Frobenius 范数
](
/docs/24?id=_2561-nmf-与-frobenius-范数
)
*
[
2.5.6.2\. 具有 beta-divergence 的 NMF
](
/docs/24?id=_2562-具有-beta-divergence-的-nmf
)
*
[
2.5.7\. 隐 Dirichlet 分配（LDA）
](
/docs/24?id=_257-隐-dirichlet-分配（lda）
)
*
[
2.6\. 协方差估计
](
/docs/25?id=_26-协方差估计
)
*
[
2.6.1\. 经验协方差
](
/docs/25?id=_261-经验协方差
)
*
[
2.6.2\. 收敛协方差
](
/docs/25?id=_262-收敛协方差
)
*
[
2.6.2.1\. 基本收敛
](
/docs/25?id=_2621-基本收敛
)
*
[
2.6.2.2\. Ledoit-Wolf 收敛
](
/docs/25?id=_2622-ledoit-wolf-收敛
)
*
[
2.6.2.3\. Oracle 近似收缩
](
/docs/25?id=_2623-oracle-近似收缩
)
*
[
2.6.3\. 稀疏逆协方差
](
/docs/25?id=_263-稀疏逆协方差
)
*
[
2.6.4\. Robust 协方差估计
](
/docs/25?id=_264-robust-协方差估计
)
*
[
2.6.4.1\. 最小协方差决定
](
/docs/25?id=_2641-最小协方差决定
)
*
[
2.11\. 新奇和异常值检测
](
/docs/26?id=_211-新奇和异常值检测
)
*
[
2.11.1\. Novelty Detection（新奇检测）
](
/docs/26?id=_2111-novelty-detection（新奇检测）
)
*
[
2.11.2\. Outlier Detection（异常值检测）
](
/docs/26?id=_2112-outlier-detection（异常值检测）
)
*
[
2.11.2.1\. Fitting an elliptic envelope（椭圆模型拟合）
](
/docs/26?id=_21121-fitting-an-elliptic-envelope（椭圆模型拟合）
)
*
[
2.11.2.2\. Isolation Forest（隔离森林）
](
/docs/26?id=_21122-isolation-forest（隔离森林）
)
*
[
2.11.2.3\. Local Outlier Factor（局部异常系数）
](
/docs/26?id=_21123-local-outlier-factor（局部异常系数）
)
*
[
2.11.2.4\. 一类支持向量机与椭圆模型与隔离森林与局部异常系数
](
/docs/26?id=_21124-一类支持向量机与椭圆模型与隔离森林与局部异常系数
)
*
[
2.12\. 密度估计
](
/docs/27?id=_212-密度估计
)
*
[
2.12.1\. 密度估计: 直方图
](
/docs/27?id=_2121-密度估计:-直方图
)
*
[
2.12.2\. 核密度估计
](
/docs/27?id=_2122-核密度估计
)
*
[
2.13\. 神经网络模型（无监督）
](
/docs/28?id=_213-神经网络模型（无监督）
)
*
[
2.13.1\. 限制波尔兹曼机
](
/docs/28?id=_2131-限制波尔兹曼机
)
*
[
2.13.1.1\. 图形模型和参数化
](
/docs/28?id=_21311-图形模型和参数化
)
*
[
2.13.1.2\. 伯努利限制玻尔兹曼机
](
/docs/28?id=_21312-伯努利限制玻尔兹曼机
)
*
[
2.13.1.3\. 随机最大似然学习
](
/docs/28?id=_21313-随机最大似然学习
)
# 2. 无监督学习
*
[
2.1 高斯混合模型
](
docs/20.md?id=_21-高斯混合模型
)
*
[
2.1.1 高斯混合
](
docs/20.md?id=_211-高斯混合
)
*
[
2.1.1.1 优缺点
](
docs/20.md?id=_2111-优缺点-gaussianmixture
)
*
[
2.1.1.1.1 优点
](
docs/20.md?id=_21111-优点
)
*
[
2.1.1.1.2 缺点
](
docs/20.md?id=_21112-缺点
)
*
[
2.1.1.2 选择经典高斯混合模型中分量的个数
](
docs/20.md?id=_2112-选择经典高斯混合模型中分量的个数
)
*
[
2.1.1.3 估计算法期望最大化（EM）
](
docs/20.md?id=_2113-估计算法期望最大化（em）
)
*
[
2.1.2 变分贝叶斯高斯混合
](
docs/20.md?id=_212-变分贝叶斯高斯混合
)
*
[
2.1.2.1 估计算法: 变分推断（variational inference）
](
docs/20.md?id=_2121-估计算法:-变分推断（variational-inference）
)
*
[
2.1.2.2. BayesianGaussianMixture下的变分推理的优缺点
](
docs/20.md?id=_2122-bayesiangaussianmixture-下的变分推理的优缺点
)
*
[
2.1.2.2.1 优点
](
docs/20.md?id=_21221-优点
)
*
[
2.1.2.2.2 缺点
](
docs/20.md?id=_21222-缺点
)
*
[
2.1.2.3 The Dirichlet Process（狄利克雷过程）
](
docs/20.md?id=_2123-the-dirichlet-process（狄利克雷过程）
)
*
[
2.2 流形学习
](
docs/21.md?id=_22-流形学习
)
*
[
2.2.1 介绍
](
docs/21.md?id=_221-介绍
)
*
[
2.2.2 Isomap
](
docs/21.md?id=_222-isomap
)
*
[
2.2.2.1 复杂度
](
docs/21.md?id=_2221-复杂度
)
*
[
2.2.3 局部线性嵌入
](
docs/21.md?id=_223-局部线性嵌入
)
*
[
2.2.3.1 复杂度
](
docs/21.md?id=_2231-复杂度
)
*
[
2.2.4 改进型局部线性嵌入（MLLE）
](
docs/21.md?id=_224-改进型局部线性嵌入（mlle）
)
*
[
2.2.4.1 复杂度
](
docs/21.md?id=_2241-复杂度
)
*
[
2.2.5 黑塞特征映射（HE）
](
docs/21.md?id=_225-黑塞特征映射（he）
)
*
[
2.2.5.1 复杂度
](
docs/21.md?id=_2251-复杂度
)
*
[
2.2.6 谱嵌入
](
docs/21.md?id=_226-谱嵌入
)
*
[
2.2.6.1 复杂度
](
docs/21.md?id=_2261-复杂度
)
*
[
2.2.7 局部切空间对齐（LTSA）
](
docs/21.md?id=_227-局部切空间对齐（ltsa）
)
*
[
2.2.7.1 复杂度
](
docs/21.md?id=_2271-复杂度
)
*
[
2.2.8 多维尺度分析（MDS）
](
docs/21.md?id=_228-多维尺度分析（mds）
)
*
[
2.2.8.1 度量 MDS
](
docs/21.md?id=_2281-度量-mds
)
*
[
2.2.8.2 非度量 MDS
](
docs/21.md?id=_2282-非度量-mds
)
*
[
2.2.9 t 分布随机邻域嵌入（t-SNE）
](
docs/21.md?id=_229-t-分布随机邻域嵌入（t-sne）
)
*
[
2.2.9.1 优化 t-SNE
](
docs/21.md?id=_2291-优化-t-sne
)
*
[
2.2.9.2 Barnes-Hut t-SNE
](
docs/21.md?id=_2292-barnes-hut-t-sne
)
*
[
2.2.10 实用技巧
](
docs/21.md?id=_2210-实用技巧
)
*
[
2.3 聚类
](
docs/22.md?id=_23-聚类
)
*
[
2.3.1 聚类方法概述
](
docs/22.md?id=_231-聚类方法概述
)
*
[
2.3.2 K-means
](
docs/22.md?id=_232-k-means
)
*
[
2.3.2.1 小批量 K-Means
](
docs/22.md?id=_2321-小批量-k-means
)
*
[
2.3.3 Affinity Propagation
](
docs/22.md?id=_233-affinity-propagation
)
*
[
2.3.4 Mean Shift
](
docs/22.md?id=_234-mean-shift
)
*
[
2.3.5 Spectral clustering
](
docs/22.md?id=_235-spectral-clustering
)
*
[
2.3.5.1 不同的标记分配策略
](
docs/22.md?id=_2351-不同的标记分配策略
)
*
[
2.3.5.2 谱聚类用于图聚类问题
](
docs/22.md?id=_2352-谱聚类用于图聚类问题
)
*
[
2.3.6 层次聚类
](
docs/22.md?id=_236-层次聚类
)
*
[
2.3.6.1 不同连接类型: Ward, complete and average linkage
](
docs/22.md?id=_2361-不同连接类型:-ward,-complete-and-average-linkage
)
*
[
2.3.6.2 添加连接约束
](
docs/22.md?id=_2362-添加连接约束
)
*
[
2.3.6.3 Varying the metric
](
docs/22.md?id=_2363-varying-the-metric
)
*
[
2.3.7 DBSCAN
](
docs/22.md?id=_237-dbscan
)
*
[
2.3.8 OPTICS
](
docs/22.md?id=_238-optics
)
*
[
2.3.9 Birch
](
docs/22.md?id=_239-birch
)
*
[
2.3.10 聚类性能度量
](
docs/22.md?id=_2310-聚类性能度量
)
*
[
2.3.10.1 调整后的 Rand 指数
](
docs/22.md?id=_23101-调整后的-rand-指数
)
*
[
2.3.10.1.1 优点
](
docs/22.md?id=_231011-优点
)
*
[
2.3.10.1.2 缺点
](
docs/22.md?id=_231012-缺点
)
*
[
2.3.10.1.3 数学表达
](
docs/22.md?id=_231013-数学表达
)
*
[
2.3.10.2 基于 Mutual Information （互信息）的分数
](
docs/22.md?id=_23102-基于-mutual-information-（互信息）的分数
)
*
[
2.3.10.2.1 优点
](
docs/22.md?id=_231021-优点
)
*
[
2.3.10.2.2 缺点
](
docs/22.md?id=_231022-缺点
)
*
[
2.3.10.2.3 数学公式
](
docs/22.md?id=_231023-数学公式
)
*
[
2.3.10.3 同质性，完整性和 V-measure
](
docs/22.md?id=_23103-同质性，完整性和-v-measure
)
*
[
2.3.10.3.1 优点
](
docs/22.md?id=_231031-优点
)
*
[
2.3.10.3.2 缺点
](
docs/22.md?id=_231032-缺点
)
*
[
2.3.10.3.3 数学表达
](
docs/22.md?id=_231033-数学表达
)
*
[
2.3.10.4 Fowlkes-Mallows 分数
](
docs/22.md?id=_23104-fowlkes-mallows-分数
)
*
[
2.3.10.4.1 优点
](
docs/22.md?id=_231041-优点
)
*
[
2.3.10.4.2 缺点
](
docs/22.md?id=_231042-缺点
)
*
[
2.3.10.5 Silhouette 系数
](
docs/22.md?id=_23105-silhouette-系数
)
*
[
2.3.10.5.1 优点
](
docs/22.md?id=_231051-优点
)
*
[
2.3.10.5.2 缺点
](
docs/22.md?id=_231052-缺点
)
*
[
2.3.10.6 Calinski-Harabaz 指数
](
docs/22.md?id=_23106-calinski-harabaz-指数
)
*
[
2.3.10.6.1 优点
](
docs/22.md?id=_231061-优点
)
*
[
2.3.10.6.2 缺点
](
docs/22.md?id=_231062-缺点
)
*
[
2.4 双聚类
](
docs/23.md?id=_24-双聚类
)
*
[
2.4.1 Spectral Co-Clustering
](
docs/23.md?id=_241-spectral-co-clustering
)
*
[
2.4.1.1 数学公式
](
docs/23.md?id=_2411-数学公式
)
*
[
2.4.2 Spectral Biclustering
](
docs/23.md?id=_242-spectral-biclustering
)
*
[
2.4.2.1 数学表示
](
docs/23.md?id=_2421-数学表示
)
*
[
2.4.3 Biclustering 评价
](
docs/23.md?id=_243-biclustering-评价
)
*
[
2.5 分解成分中的信号（矩阵分解问题）
](
docs/24.md?id=_25-分解成分中的信号（矩阵分解问题）
)
*
[
2.5.1 主成分分析（PCA）
](
docs/24.md?id=_251-主成分分析（pca）
)
*
[
2.5.1.1 准确的PCA和概率解释（Exact PCA and probabilistic interpretation）
](
docs/24.md?id=_2511-准确的pca和概率解释（exact-pca-and-probabilistic-interpretation）
)
*
[
2.5.1.2 增量PCA (Incremental PCA)
](
docs/24.md?id=_2512-增量pca-incremental-pca
)
*
[
2.5.1.3 PCA 使用随机SVD
](
docs/24.md?id=_2513-pca-使用随机svd
)
*
[
2.5.1.4 核 PCA
](
docs/24.md?id=_2514-核-pca
)
*
[
2.5.1.5 稀疏主成分分析 ( SparsePCA 和 MiniBatchSparsePCA )
](
docs/24.md?id=_2515-稀疏主成分分析--sparsepca-和-minibatchsparsepca-
)
*
[
2.5.2 截断奇异值分解和隐语义分析
](
docs/24.md?id=_252-截断奇异值分解和隐语义分析
)
*
[
2.5.3 词典学习
](
docs/24.md?id=_253-词典学习
)
*
[
2.5.3.1 带有预计算词典的稀疏编码
](
docs/24.md?id=_2531-带有预计算词典的稀疏编码
)
*
[
2.5.3.2 通用词典学习
](
docs/24.md?id=_2532-通用词典学习
)
*
[
2.5.3.3 小批量字典学习
](
docs/24.md?id=_2533-小批量字典学习
)
*
[
2.5.4 因子分析
](
docs/24.md?id=_254-因子分析
)
*
[
2.5.5 独立成分分析（ICA）
](
docs/24.md?id=_255-独立成分分析（ica）
)
*
[
2.5.6 非负矩阵分解(NMF 或 NNMF)
](
docs/24.md?id=_256-非负矩阵分解nmf-或-nnmf
)
*
[
2.5.6.1 NMF 与 Frobenius 范数
](
docs/24.md?id=_2561-nmf-与-frobenius-范数
)
*
[
2.5.6.2 具有 beta-divergence 的 NMF
](
docs/24.md?id=_2562-具有-beta-divergence-的-nmf
)
*
[
2.5.7 隐 Dirichlet 分配（LDA）
](
docs/24.md?id=_257-隐-dirichlet-分配（lda）
)
*
[
2.6 协方差估计
](
docs/25.md?id=_26-协方差估计
)
*
[
2.6.1 经验协方差
](
docs/25.md?id=_261-经验协方差
)
*
[
2.6.2 收敛协方差
](
docs/25.md?id=_262-收敛协方差
)
*
[
2.6.2.1 基本收敛
](
docs/25.md?id=_2621-基本收敛
)
*
[
2.6.2.2 Ledoit-Wolf 收敛
](
docs/25.md?id=_2622-ledoit-wolf-收敛
)
*
[
2.6.2.3 Oracle 近似收缩
](
docs/25.md?id=_2623-oracle-近似收缩
)
*
[
2.6.3 稀疏逆协方差
](
docs/25.md?id=_263-稀疏逆协方差
)
*
[
2.6.4 Robust 协方差估计
](
docs/25.md?id=_264-robust-协方差估计
)
*
[
2.6.4.1 最小协方差决定
](
docs/25.md?id=_2641-最小协方差决定
)
*
[
2.7 新奇和异常值检测
](
docs/26.md?id=_27-新奇和异常值检测
)
*
[
2.7.1 孤立点检测方法一览
](
docs/26.md?id=_271-孤立点检测方法一览
)
*
[
2.7.2 Novelty Detection（新奇检测）
](
docs/26.md?id=_272-novelty-detection（新奇检测）
)
*
[
2.7.3 Outlier Detection（异常值检测）
](
docs/26.md?id=_273-outlier-detection（异常值检测）
)
*
[
2.7.3.1 Fitting an elliptic envelope（椭圆模型拟合）
](
docs/26.md?id=_2731-fitting-an-elliptic-envelope（椭圆模型拟合）
)
*
[
2.7.3.2 Isolation Forest（隔离森林）
](
docs/26.md?id=_2732-isolation-forest（隔离森林）
)
*
[
2.7.3.3 Local Outlier Factor（局部异常系数）
](
docs/26.md?id=_2733-local-outlier-factor（局部异常系数）
)
*
[
2.7.4 使用LOF进行新奇点检测
](
docs/26.md?id=_274-使用lof进行新奇点检测
)
*
[
2.8 密度估计
](
docs/27.md?id=_28-密度估计
)
*
[
2.8.1 密度估计: 直方图
](
docs/27.md?id=_281-密度估计:-直方图
)
*
[
2.8.2 核密度估计
](
docs/27.md?id=_282-核密度估计
)
*
[
2.9 神经网络模型（无监督）
](
docs/28.md?id=_29-神经网络模型（无监督）
)
*
[
2.9.1 限制波尔兹曼机
](
docs/28.md?id=_291-限制波尔兹曼机
)
*
[
2.9.1.1 图形模型和参数化
](
docs/28.md?id=_2911-图形模型和参数化
)
*
[
2.9.1.2 伯努利限制玻尔兹曼机
](
docs/28.md?id=_2912-伯努利限制玻尔兹曼机
)
*
[
2.9.1.3 随机最大似然学习
](
docs/28.md?id=_2913-随机最大似然学习
)
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑！
取消
想要评论请
注册
或
登录
