无监督学习的原理、算法与结构发现

3.1 K-Means：几何中心的迭代优化

K-Means 是最经典的聚类算法，其目标是最小化簇内平方和（Within-Cluster Sum of Squares, WCSS）：

$$ \min_{{\mu_k}, {c_i}} \sum_{k=1}^{K} \sum_{i: c_i = k} | \mathbf{x}_i - \mu_k |^2 $$

其中：

• $\mu_k \in \mathbb{R}^d$：第 $k$ 个簇的质心；
• $c_i \in {1, ..., K}$：样本 $i$ 的簇分配。

算法流程（Lloyd 算法）

1. 初始化：随机选择 $K$ 个质心 $\mu_1, ..., \mu_K$；
2. E 步（Expectation）：将每个样本分配给最近的质心：
   $c_i = \arg\min_{k} | \mathbf{x}_i - \mu_k |^2$
3. M 步（Maximization）：更新质心为簇内样本均值：
   $\mu_k = \frac{1}{|C_k|} \sum_{i \in C_k} \mathbf{x}_i$
4. 重复 2–3 直至收敛（质心不再变化或损失下降小于阈值）。

✅ 优点：简单、高效、易于实现；
❌ 缺点：需预先指定 $K$；对初始值敏感（可能陷入局部最优）；假设簇为凸形且大小相近（无法处理月牙形等非凸簇）。

实践技巧

• 多次随机初始化：取 WCSS 最小的结果；
• K 的选择：肘部法则（Elbow Method）或轮廓系数（Silhouette Score）；
• 标准化：对不同量纲的特征进行归一化（如 StandardScaler）。

from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt

# 生成模拟数据
X, _ = make_blobs(n_samples=300, centers=4, cluster_std=0.6, random_state=42)

# 训练 K-Means
kmeans = KMeans(n_clusters=4, n_init=10, random_state=42)
y_pred = kmeans.fit_predict(X)

# 可视化
plt.scatter(X[:,0], X[:,1], c=y_pred, cmap='viridis', s=50)
plt.scatter(kmeans.cluster_centers_[:,0], kmeans.cluster_centers_[:,1], c='red', marker='x', s=200, linewidths=3)
plt.title("K-Means Clustering")
plt.show()

3.2 高斯混合模型（GMM）：概率化的聚类

K-Means 是硬分配（每个样本只属于一个簇），而 GMM 提供软分配（每个样本属于各簇的概率）。

模型假设

数据由 $K$ 个高斯分布混合生成：

$$ p(\mathbf{x}) = \sum_{k=1}^{K} \pi_k \mathcal{N}(\mathbf{x} \mid \boldsymbol{\mu}_k, \boldsymbol{\Sigma}_k) $$

其中：

• $\pi_k \geq 0, \sum_k \pi_k = 1$：混合权重；
• $\boldsymbol{\mu}_k$：第 $k$ 个高斯的均值；
• $\boldsymbol{\Sigma}_k$：协方差矩阵（可全、对角或球形）。

参数学习：EM 算法

由于存在隐变量（样本所属的簇 $z_i \in {1,...,K}$），使用期望最大化（Expectation-Maximization, EM）算法：

• E 步：计算后验概率（责任度）：
  $\gamma(z_{ik}) = p(z_i = k \mid \mathbf{x}_i) = \frac{\pi_k \mathcal{N}(\mathbf{x}_i \mid \boldsymbol{\mu}_k, \boldsymbol{\Sigma}k)}{\sum{j=1}^{K} \pi_j \mathcal{N}(\mathbf{x}_i \mid \boldsymbol{\mu}_j, \boldsymbol{\Sigma}_j)}$
• M 步：更新参数：
  $\pi_k = \frac{1}{n} \sum_{i=1}^{n} \gamma(z_{ik})$
  $\boldsymbol{\mu}k = \frac{\sum{i=1}^{n} \gamma(z_{ik}) \mathbf{x}i}{\sum{i=1}^{n} \gamma(z_{ik})}$
  $\boldsymbol{\Sigma}k = \frac{\sum{i=1}^{n} \gamma(z_{ik}) (\mathbf{x}_i - \boldsymbol{\mu}_k)(\mathbf{x}i - \boldsymbol{\mu}k)^\top}{\sum{i=1}^{n} \gamma(z{ik})}$

✅ GMM 优势：提供概率解释；可拟合椭圆、倾斜等非球形簇；自然支持异常检测（低概率样本）。

from sklearn.mixture import GaussianMixture

gmm = GaussianMixture(n_components=4, covariance_type='full', random_state=42)
y_prob = gmm.fit_predict(X)
plt.scatter(X[:,0], X[:,1], c=y_prob, cmap='viridis', s=50)
plt.title("Gaussian Mixture Model")
plt.show()

3.3 其他聚类方法简述

四、降维技术：从线性到非线性

4.1 主成分分析（PCA）：最大方差投影

PCA 是最经典的线性降维方法，其目标是找到一组正交基，使得数据在该基下的投影方差最大。

数学推导

设数据中心化后为 $\mathbf{X} \in \mathbb{R}^{n \times d}$，协方差矩阵为：

$$ \mathbf{C} = \frac{1}{n} \mathbf{X}^\top \mathbf{X} $$

PCA 寻找单位向量 $\mathbf{w}$，最大化投影方差：

$$ \max_{|\mathbf{w}|=1} \text{Var}(\mathbf{X} \mathbf{w}) = \mathbf{w}^\top \mathbf{C} \mathbf{w} $$

通过拉格朗日乘子法，得最优解为 $\mathbf{C}$ 的最大特征值对应的特征向量。

对前 $k$ 个主成分，投影矩阵 $\mathbf{W}_k \in \mathbb{R}^{d \times k}$ 由前 $k$ 大特征值对应的特征向量组成。

降维后表示：

$$ \mathbf{Z} = \mathbf{X} \mathbf{W}_k $$

✅ PCA 本质：对数据进行正交变换，保留最大信息（方差）。

重建与解释方差比

• 解释方差比：第 $i$ 个主成分解释的方差占比为 $\lambda_i / \sum_j \lambda_j$
• 重建误差：$| \mathbf{X} - \mathbf{Z} \mathbf{W}_k^\top |F^2 = \sum{i=k+1}^{d} \lambda_i$

from sklearn.decomposition import PCA

pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
print("Explained variance ratio:", pca.explained_variance_ratio_)
plt.scatter(X_pca[:,0], X_pca[:,1], alpha=0.7)
plt.xlabel(f"PC1 ({pca.explained_variance_ratio_[0]:.2%})")
plt.ylabel(f"PC2 ({pca.explained_variance_ratio_[1]:.2%})")
plt.title("PCA Projection")
plt.show()

4.2 t-SNE：保留局部邻域的非线性降维

PCA 是全局线性方法，无法处理流形结构（如瑞士卷）。t-SNE（t-Distributed Stochastic Neighbor Embedding）通过保留局部相似性实现非线性降维。

核心思想

1. 在高维空间，计算样本 $i$ 与 $j$ 的相似度（以 $i$ 为中心的高斯核）：
   $p_{j|i} = \frac{\exp(-| \mathbf{x}i - \mathbf{x}j |^2 / (2\sigma_i^2))}{\sum{k \neq i} \exp(-| \mathbf{x}i - \mathbf{x}k |^2 / (2\sigma_i^2))}$
   对称化：$p{ij} = \frac{p{j|i} + p{i|j}}{2n}$
2. 在低维空间（如 2D），用学生 t 分布（自由度=1，即 Cauchy 分布）定义相似度：
   $q_{ij} = \frac{(1 + | \mathbf{z}_i - \mathbf{z}j |^2)^{-1}}{\sum{k \neq l} (1 + | \mathbf{z}_k - \mathbf{z}_l |^2)^{-1}}$
3. 最小化 KL 散度：
   $\min_{\mathbf{Z}} \text{KL}(P | Q) = \sum_{i \neq j} p_{ij} \log \frac{p_{ij}}{q_{ij}}$

✅ t-SNE 优势：能清晰分离簇，适合可视化；
❌ 缺点：计算复杂度高（$O(n^2)$）；不能保留全局距离（簇间距离无意义）；对超参（perplexity）敏感。

from sklearn.manifold import TSNE

tsne = TSNE(n_components=2, perplexity=30, random_state=42)
X_tsne = tsne.fit_transform(X)
plt.scatter(X_tsne[:,0], X_tsne[:,1], alpha=0.7)
plt.title("t-SNE Embedding")
plt.show()

4.3 UMAP：更快更稳定的流形学习

UMAP（Uniform Manifold Approximation and Projection）是 t-SNE 的现代替代品：

• 基于拓扑学（流形假设）和模糊拓扑；
• 保留局部与部分全局结构；
• 计算效率更高（近似最近邻）；
• 支持逆变换（从低维重建高维）。

✅ 实践建议：优先尝试 UMAP 而非 t-SNE。

五、密度估计：建模数据的生成机制

5.1 参数化方法：高斯分布族

最简单的密度估计是假设数据服从多元高斯分布：

$$ p(\mathbf{x}) = \mathcal{N}(\mathbf{x} \mid \boldsymbol{\mu}, \boldsymbol{\Sigma}) $$

参数通过最大似然估计：

$$ \boldsymbol{\mu} = \frac{1}{n} \sum_{i=1}^{n} \mathbf{x}i, \quad \boldsymbol{\Sigma} = \frac{1}{n} \sum{i=1}^{n} (\mathbf{x}_i - \boldsymbol{\mu})(\mathbf{x}_i - \boldsymbol{\mu})^\top $$

但真实数据往往多峰、非高斯，故需混合模型（如 GMM）。

5.2 非参数化方法：核密度估计（KDE）

KDE 不假设分布形式，而是用核函数平滑样本点：

$$ \hat{p}(\mathbf{x}) = \frac{1}{n h^d} \sum_{i=1}^{n} K\left( \frac{\mathbf{x} - \mathbf{x}_i}{h} \right) $$

其中：

• $K(\cdot)$：核函数（如高斯核）；
• $h$：带宽（bandwidth），控制平滑程度。

✅ KDE 优势：灵活、无模型假设；
❌ 缺点：维度灾难（$d > 5$ 时效果差）。

5.3 基于深度学习的密度估计

现代方法如 Normalizing Flows、Variational Autoencoders (VAE)、Generative Adversarial Networks (GAN) 可建模复杂高维分布，但超出本章范围。

六、动手实战：端到端无监督分析流程

我们将使用鸢尾花数据集（Iris）演示完整流程。

from sklearn import datasets
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
from sklearn.mixture import GaussianMixture
from sklearn.decomposition import PCA
from sklearn.manifold import TSNE
import seaborn as sns

# 1. 加载数据
iris = datasets.load_iris()
X, y_true = iris.data, iris.target
feature_names = iris.feature_names

# 2. 标准化（对聚类和 PCA 至关重要！）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 3. 聚类（K=3，已知真实类别数）
kmeans = KMeans(n_clusters=3, random_state=42).fit(X_scaled)
gmm = GaussianMixture(n_components=3, random_state=42).fit(X_scaled)

# 4. 降维可视化
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X_scaled)
tsne = TSNE(n_components=2, perplexity=30, random_state=42)
X_tsne = tsne.fit_transform(X_scaled)

# 5. 绘图对比
fig, axes = plt.subplots(2, 3, figsize=(15, 10))

# 真实标签
axes[0, 0].scatter(X_pca[:, 0], X_pca[:, 1], c=y_true, cmap='tab10')
axes[0, 0].set_title("PCA + True Labels")
axes[1, 0].scatter(X_tsne[:, 0], X_tsne[:, 1], c=y_true, cmap='tab10')
axes[1, 0].set_title("t-SNE + True Labels")

# K-Means
axes[0, 1].scatter(X_pca[:, 0], X_pca[:, 1], c=kmeans.labels_, cmap='tab10')
axes[0, 1].set_title("PCA + K-Means")
axes[1, 1].scatter(X_tsne[:, 0], X_tsne[:, 1], c=kmeans.labels_, cmap='tab10')
axes[1, 1].set_title("t-SNE + K-Means")

# GMM
axes[0, 2].scatter(X_pca[:, 0], X_pca[:, 1], c=gmm.predict(X_scaled), cmap='tab10')
axes[0, 2].set_title("PCA + GMM")
axes[1, 2].scatter(X_tsne[:, 0], X_tsne[:, 1], c=gmm.predict(X_scaled), cmap='tab10')
axes[1, 2].set_title("t-SNE + GMM")

plt.tight_layout()
plt.show()

# 6. 评估聚类质量（无标签时用轮廓系数）
from sklearn.metrics import silhouette_score
print("K-Means Silhouette:", silhouette_score(X_scaled, kmeans.labels_))
print("GMM Silhouette: ", silhouette_score(X_scaled, gmm.predict(X_scaled)))

✅ 关键观察：PCA 保留了主要判别方向（前两个主成分解释 95%+ 方差）；t-SNE 更好地分离了 setosa 类；GMM 和 K-Means 在此数据上表现接近（因簇近似球形）。

七、无监督学习的实际应用场景

7.1 特征工程：降维作为预处理

在监督学习前，用 PCA 或 UMAP 降维可：

• 减少过拟合；
• 加速训练；
• 去除噪声。

from sklearn.pipeline import Pipeline
from sklearn.ensemble import RandomForestClassifier

pipe = Pipeline([('pca', PCA(n_components=0.95)), # 保留 95% 方差
                 ('rf', RandomForestClassifier())])
pipe.fit(X_train, y_train)

7.2 异常检测：基于密度或重构误差

• GMM：低概率样本视为异常；
• 自编码器（Autoencoder）：高重构误差视为异常。

# GMM 异常检测
gmm = GaussianMixture(n_components=2).fit(X_scaled)
log_probs = gmm.score_samples(X_scaled)
threshold = np.percentile(log_probs, 5) # 下 5% 为异常
anomalies = log_probs < threshold

7.3 预训练表示：无监督学习的复兴

在深度学习中，自监督学习（Self-Supervised Learning）成为无监督学习的新范式：

• 对比学习（Contrastive Learning）：拉近正样本对，推开负样本对；
• 掩码语言建模（如 BERT）：预测被掩盖的词；
• 图像修复：预测被遮挡的像素。

这些方法在无标签数据上预训练，再微调（Fine-tune）到下游任务，极大减少对标记数据的依赖。

八、评估无监督学习：没有标签怎么办？

无监督学习缺乏 ground truth，评估更具挑战性。

8.1 内部指标（Internal Metrics）

仅依赖数据和聚类结果：

• 轮廓系数（Silhouette Score）：
  $s(i) = \frac{b(i) - a(i)}{\max{a(i), b(i)}}$
  其中 $a(i)$ 是簇内平均距离，$b(i)$ 是最近其他簇的平均距离。
  越接近 1 越好。
• Calinski-Harabasz 指数：簇间离散度 / 簇内离散度，越大越好。

8.2 外部指标（External Metrics，若有真实标签）

• 调整兰德指数（Adjusted Rand Index, ARI）；
• 归一化互信息（Normalized Mutual Information, NMI）。

8.3 可视化评估

• 降维后观察簇是否分离；
• 使用领域知识判断合理性（如'高收入 + 高消费'应为一类）。

九、无监督学习的局限与未来

9.1 核心挑战

• 无明确优化目标：不同算法优化不同准则，结果可能不一致；
• 超参敏感：如 $K$、perplexity、带宽等需人工调整；
• 可解释性弱：降维后的轴无明确语义；
• 维度灾难：高维下距离失效，密度估计困难。

9.2 未来方向

• 自监督学习：将无监督任务转化为监督任务（如预测旋转角度）；
• 对比学习：学习不变表示（同一图像的不同增强视为正样本）；
• 生成模型：VAE、GAN、Diffusion Models 用于高质量样本生成；
• 图神经网络：在图结构上进行无监督表示学习（如 Node2Vec）。

✅ 趋势：无监督学习正与深度学习深度融合，成为表示学习（Representation Learning）的核心。

十、结语：在混沌中寻找秩序

无监督学习教会我们：数据本身蕴含结构，只需合适的透镜去观察。

它不提供确定答案，而是提出假设——'这些样本可能属于同一类'、'数据可能位于这个低维流形上'。

这种探索精神，正是科学发现的本质。

下一篇文章，我们将进入模型评估与验证的领域——那里有偏差 - 方差权衡、交叉验证、A/B 测试，是确保模型可靠落地的关键。

但在那之前，请记住：

真正的洞察，往往始于对数据本身的敬畏与好奇。