所有无监督算法，例如

• 聚类，
• 降维（PCA，t-sne，自动编码器，...），
• 缺失值插补，
• 异常值检测，
• ...

其中一些可能在内部使用回归或分类元素，但算法本身两者都不是。

不，它比这更广泛。您至少应该阅读以下内容：

• 聚类
• 降维
• 强化学习

一般来说，“监督”学习”、“分类”和“回归”实际上是非常不同的含义。

监督学习是 ML 问题的高级分类，它定义了我们至少有一些已解决/标记数据的所有挑战。这与无监督学习（我们不知道解决方案）和强化学习（数据和标签是按程序生成）相反。

分类是 ML 的特定目标，您可以将其与预测、异常值检测、降维等目标进行比较。

最后，回归是一种特定的数学算法，可以帮助我们完成任务，可能与神经网络、朴素贝叶斯等算法相对。

可以用所有三个术语来描述特定的 ML 模型：

1. 使用 K-Means 聚类算法解决的无监督分类问题

2. 用线性回归解决的监督预测问题

3. 使用蒙特卡罗模型解决的强化学习优化问题。

首先你需要知道机器学习算法大致分为三类——

• 监督学习
• 无监督学习
• 强化学习

但是您应该知道，大多数生产级机器学习管道使用三种算法中的两种或全部的组合。

监督学习利用已知标签，例如电子邮件是否被报告为垃圾邮件、过去 7 天内发生了多少降雨、身体肿块是否致癌等。

在无监督学习中，数据没有标记，即没有明确定义的目标变量（电子邮件的性质、降雨量和肿瘤的性质是先前案例中的目标变量）。

强化学习算法复杂而先进，模型从之前的预测和正确性中学习。

因此，只要有明确定义的目标变量，您就可以应用监督学习算法。回归和分类属于监督学习领域，不能归类为无监督学习模型。

而且，有许多监督学习算法不是回归或分类，例如 -

• 朴素贝叶斯分类器
• 决策树
• 随机森林
• 支持向量机

等等

这些只是监督学习算法的一些示例。这些，连同回归和分类，不属于无监督学习算法。一些最常见的无监督学习算法是 -

• 聚类
• 神经网络
• 异常检测

等等

这是一个图表-

                                    Machine Learning Algorithms
                                              |
                                              |
---------------------------------------------------------------------------------
|                                    |                                          |
supervised learning         unsupervised learning           reinforcement learning
|                                            |
|--->Naive Bayes Classifier                  |--->Clustering
|--->Support Vector Machine                  |--->Neural Networks
|--->Decision Tree                           |--->Anomaly Detection
|--->Random Forest
|--->Regression
|--->Classification

这些问题更适合Data Science Stack Exchange站点。