Question

在前一章中，我们已经学会确定每个数据点的类别或种类。通过少量训练数据及其对应的类别，我们训练出了能对未来数据进行分类的模型。我们把这叫做监督学习，这是因为学习过程是在老师的指导下完成的，这个老师就是数据的正确类别。

现在想象一下，当我们没有标签可以让分类模型去学习的时候，比如说可能是因为有标签的样本收集成本太高。在这种情况下，我们该怎么做呢？

好了，我们当然不可能学出一个分类模型，然而可以从数据本身找到一些模式。这就是在本章将要做的，在这里我们会应对来自于一个“问答”网站的挑战。当用户访问网站来寻找特定信息的时候，搜索引擎很可能会告诉他/她特定的答案。为了提升用户体验，我们想列出所有与该答案相关的问题。如果列出的答案并不是他/她想要的，他/她就会去看其他的答案，并有希望一直留在我们的网站上。

一个朴素的方法是计算一个帖子和其他所有帖子的相似度，然后将前N 个最相似的帖子以链接的形式展现在页面上。这很快就会变得十分耗时。因此，我们需要一个寻找相关帖子的快速方法。

本章，我们会通过聚类来实现这个目标。这是一种安置数据项的方法，使相似的数据项处于同一个簇中，不相似的数据项分在不同的簇里。我们需要处理的第一件棘手事情，就是如何将文本转化成一种形式，使我们可以基于它进行相似度的计算。在有了这样一个相似度度量方法之后，我们将继续研究如何利用它来快速得到包含相似帖子的簇。一旦完成，我们只需要查看那些属于同一簇的文档。为达到这个目的，我们将会介绍一个神器：Scikit库。它包含多种多样的机器学习方法，我们在后面一些章中仍会用到。