无监督学习：聚类 vs 降维 - 差异解析 - 常规

在无监督学习中，聚类和降维是两种常见的技术。它们的差别主要体现在以下几个方面：

目标：聚类的目标是将数据集划分为不同的组，使得同一组内的样本相似度较高，不同组之间的样本相似度较低。而降维的目标是将高维数据映射到低维空间，同时尽可能保留原始数据的信息。
输入：聚类算法的输入是原始数据集，通常是一个包含多个样本的矩阵。而降维算法的输入也是原始数据集，但是它通常会对数据进行预处理，例如计算协方差矩阵或者相关系数矩阵。
输出：聚类算法的输出是对数据集进行划分的结果，即每个样本所属的类别。降维算法的输出是一个降维后的数据集，通常是一个具有较低维度的矩阵。
应用：聚类常用于发现数据集中的隐藏模式和结构，例如市场细分、社交网络分析等。降维常用于数据可视化、特征选择和降低计算复杂度等方面。
方法：聚类算法包括K-means、DBSCAN、层次聚类等。降维算法包括主成分分析（PCA）、线性判别分析（LDA）、t-SNE等。

总的来说，聚类和降维在无监督学习中的作用不同，聚类是通过将数据集划分为不同的组来发现隐藏的结构，而降维是通过映射高维数据到低维空间来减少数据的维度并保留尽可能多的信息。