mnistの数字たちを教師なし学習で分類してみた【PCA、t-SNE、k-means】 - Qiita

はじめに 教師なし学習は一般的に教師あり学習と比較すると精度が落ちますが、その代わりに様々なメリットがあります。具体的に教師なし学習が役に立つシーンとして **- パターンがあまりわかっていないデータ 時間的に変動するデータ 十分にラベルがついていないデータ** などが挙げられます。 教師なし学習ではデータそのものから、データの背後にある構造を学習します。これによってラベルのついていないデータをより多く活用できるので、新たなアプリケーションへの道が開けるかもしれません。 この記事では、mnistのデータを教師なし学習により分類の実装例を紹介します。 手法は主成分分析とt-SNE、k-means法を用います。 続編の記事では、オートエンコーダを用いた分類にもチャレンジしてみたいと考えています。 この記事でやること **- mnistデータを教師なし学習で分類 PCA + k-means法によ