CDA 数据分析师：聚类分析实战指南 —— 无监督分组与精准业务运营的核心工具

2025-11-04

在 CDA（Certified Data Analyst）数据分析师的工作中，“无监督样本分组” 是高频需求 —— 例如 “将用户按行为特征分为高价值、潜力、一般用户”“将商品按销售表现归类为爆款、平销、滞销品”。这类问题缺乏明确 ...

【CDA干货】K-Means 聚类：无监督学习中数据分群的核心算法

2025-09-03

K-Means 聚类：无监督学习中数据分群的核心算法 在数据分析领域，当我们面对海量无标签数据（如用户行为记录、商品属性数据、图像像素信息）时，如何快速发现数据内在的分组规律？K-Means 聚类算法正是解决这一问题 ...

风控难题之无监督风险感知：脑力、想象力、第六感、黑洞

2022-04-06

作者：小伍哥 来源：小伍哥聊风控 大家好，我是小伍哥。 有效的风险感知或者无监督风险识别，其实非常的难，很多同学甚至无法下手，做了的可能也没有效果，如果找到合适的方法了，其实是非常有意思， ...

从线性回归到无监督学习，数据科学家需要掌握的十大统

2018-06-02

从线性回归到无监督学习，数据科学家需要掌握的十大统 不管你对数据科学持什么态度，都不可能忽略分析、组织和梳理数据的重要性。Glassdoor 网站根据大量雇主和员工的反馈数据制作了「美国最好的 25 个职位」 ...

无监督机器学习中，这几种聚类算法，你知道吗？

2020-07-24

机器学习中，我们最常遇到的就是无监督，有监督，半监督了。无监督和有监督的区别，小编之前跟大家分享过，今天跟大家分享的是无监督机器学习中常见的聚类算法，希望对大家无监督学习有所帮助。 一、基本概念 ...

机器学习中有监督学习和无监督学习的区别表现在什么方面？

2020-07-23

机器学习主要分为：有监督学习，无监督学习，以及半监督学习等。小编今天给大家分享的主要是有监督学习和无监督学习的比较，希望对于大家机器学习有所帮助。 一、首先来了解一下有监督学习和无监督学习的概念 ...

机器学习里的无监督学习是什么？

2020-06-30

无监督学习是机器学习里的一种学习方式，下面将给大家具体解释一下无监督学习到底是什么? 首先我们可以对照监督学习来对比理解一下无监督学习的概念。 机器学习中，监督学习是一种明确的训练方式，你能够很 ...

ML基础：无监督学习之协方差矩阵

2020-06-16

在翻译sklearn文档 2.无监督学习 部分过程中，发现协方差矩阵几乎贯穿整个章节，但sklearn指导手册把协方差部分放在了这一章节偏后的部分，作为机器学习一个基础概念，在这篇文章中，想把协方差矩阵的相关知识以及 ...

机器学习基础：无监督异常检测和半监督异常检测！

2020-06-12

异常值检测一般要求新发现的数据是否与现有观测数据具有相同的分布或者不同的分布，相同的分布可以称之为内点（inlier），具有不同分布的点可以称之为离群值。离群点和新奇点检测是不同的，有一个重要的区分必须掌 ...

机器学习中的有监督和无监督都包括些什么？

2020-05-29

机器学习算法通常分为有监督的（训练数据有标记答案）和无监督的（可能存在的任何标签均未显示在训练算法中）。有监督的机器学习问题又分为分类（预测非数字答案，例如错过抵押贷款的可能性）和回归（预测 ...

机器学习python算法应用，监督学习、无监督学习等！

2020-05-25

本系列文章主要介绍机器学习在实践中的应用，介绍利用 python 的生态环境，使用机器学习的算法来解决工程实践中的问题，而不是介绍算法本身。本系列文章参考了《机器学习Python实践》，会通过例子一步一步地引导大 ...

有监督学习和无监督学习算法怎么理解？

2020-05-19

在判断是有监督学习还是在无监督学习上，我们可以具体是否有监督（supervised），就看输入数据是否有标签（label）。输入数据有标签，则为有监督学习，没标签则为无监督学习。 什么是学习（learning）？ 一个成语 ...

机器学习算法：无监督、半监督、有监督学习算法浅析

2020-05-06

随着人工智能的飞速发展，机器学习成为当下数据分析领域的热门之一，很多人在平时的工作中，或多或少都会使用到机器学习的算法。这里机器学习的算法进行了盘点，将有监督、无监督，半监督学习等进行了简单的解 ...

【CDA干货】运用机器学习进行分析：从流程拆解到行业落地，让数据发挥核心价值

2026-02-25

在数字化时代，数据已成为企业决策、行业升级的核心资产，但海量杂乱的原始数据本身不具备价值—— 只有通过科学的分析方法，挖掘数据背后的规律、关联与趋势，才能将数据转化为可落地的决策依据。机器学习作为数据 ...

【CDA干货】K-Means++初始化方法全解析：原理、实操与优势，解决聚类初始值困境

2026-02-24

在聚类分析的实操场景中，K-Means算法因其简单高效、易落地的特点，成为处理无监督分类问题的首选工具——无论是用户画像分层、商品聚类，还是异常检测，都能看到它的身影。但很多从业者在使用K-Means时，常会遇到一 ...

【CDA干货】聚类分析与主成分分析（PCA）核心区别全解析：从原理到实操，避免用错模型

2026-02-24

在数据分析、机器学习的实操场景中，聚类分析与主成分分析（PCA）是两种高频使用的统计与数据处理方法。二者常被用于数据预处理、特征挖掘，但很多从业者容易将其混淆——要么用聚类分析替代主成分分析做降维，要么 ...

CDA数据分析师实战：聚类分析的业务应用与落地指南

2026-01-19

在CDA（Certified Data Analyst）数据分析师的日常工作中，常面临“无标签高维数据难以归类、群体规律模糊”的痛点——比如海量用户行为数据无明确分层标签、产品属性数据无法快速定位同类群体、市场调研数据难以识 ...

【CDA干货】数学界中的统计学高级算法：原理、应用与价值

2025-12-26

统计学作为数学的重要分支，是连接数据与决策的桥梁。随着数据规模的爆炸式增长和复杂问题的涌现，传统统计方法已难以应对高维、非线性、异构数据的分析需求。数学界由此衍生出一系列统计学高级算法，这些算法以深厚 ...

【CDA干货】数据降维与分组的“三叉戟”：析因、聚类与主成分分析的异同解析

2025-12-18

在数据科学的工具箱中，析因分析（Factor Analysis, FA）、聚类分析（Clustering Analysis）与主成分分析（Principal Component Analysis, PCA）是处理高维数据的“核心三叉戟”。它们均能从复杂数据中提取关键信息 ...

【CDA干货】用模型挖掘数据中的隐性特征：方法、案例与落地指南

2025-11-07

在数据分析与建模中，“显性特征”（如用户年龄、订单金额、商品类别）是直接可获取的基础数据，但真正驱动业务突破的往往是 “隐性特征”—— 它们隐藏在数据关联、行为模式或语义背后，比如 “用户潜在消费偏好” ...