我对集成学习（尤其是无监督学习）中的现有文献有疑问。
根据我在文献中所读的内容，将集成学习应用于无监督学习基本上可以恢复到聚类问题。但是，如果我有x个无监督的方法输出分数（类似于回归问题），是否有一种方法可以将这些结果组合为一个结果？
最佳答案
关于离群值排名和离群值的评估。 Schubert，E.，Wojdanowski，R.，Zimek，A.和Kriegel，H.P.（2012年4月）。在2012年SIAM数据挖掘国际会议论文集（第1047-1058页）中。工业和应用数学协会。
在此出版物中，我们不“正常化”异常值，但我们还建议采用一种无监督的集合成员选择策略，称为“贪婪集合”。
但是，规范化至关重要且困难。我们在分数归一化方面发布了一些较早的进展，
解释和统一离群值。 Kriegel，H.P.，Kroger，P.，Schubert，E.和Zimek，A.（2011年4月）。在2011年SIAM数据挖掘国际会议论文集（第13-24页）中。工业和应用数学协会。
如果您不对分数进行归一化（并且最小-最大缩放比例还不够），那么除非有非常强的先决条件，否则通常将无法以有意义的方式将它们组合在一起。由于具有不同数量的要素和不同的要素比例，即使是两个不同的子空间通常也将产生无法比较的值。
在半监督合奏上也有一些工作，例如
学习离群乐团：两全其美—在监督之下和在监督之下。 Micenková，B.，McWilliams，B.，＆Assent，I.（2014）。在ACM SIGKDD 2014数据多样性下的异常值检测和描述（ODD2）研讨会上的会议记录。美国纽约州纽约（第51-54页）。
也要注意过度拟合。通过调整参数和重复评估，很容易获得一个好的结果。但这会将评估信息泄漏到您的实验中，即您倾向于过度拟合。要在很大范围的参数和数据集上执行都非常困难。以下研究的主要观察结果之一是，对于每种算法，您都会发现至少一个数据集和参数集，在其中“优于”其他数据集和参数集；但是，如果您稍微更改参数或使用其他数据集，则“高级”新方法的好处无法再现。
关于无监督异常值检测的评估：度量，数据集和经验研究。 Campos，G.O.，Zimek，A.，Sander，J.，Campello，R.J.，Micenková，B.，Schubert，E.，...＆Houle，M.E.（2016）。数据挖掘和知识发现，30（4），891-927。
因此，您将必须非常努力地进行可靠的评估。注意如何选择参数。
关于machine-learning - 无监督学习中的综合学习，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/42894727/