无监督学习：没有答案也能找规律

无监督学习面对的是没有标签的数据，模型需要自己发现数据中的结构、模式或分组。就像把一堆混在一起的积木按形状颜色自动归类，没人告诉你分类标准。

无监督学习的价值在于“先发现，后定义”。很多时候我们并不知道数据里藏着什么——电商平台通过聚类发现了一群“深夜冲动消费族”，这个用户画像不是事先定义的，而是数据自己浮出来的。

## 核心要点

图片来源：Openverse / Center for Intelligent Technologies, Kosice（https://www.flickr.com/photos/94975086@N03/8673273774）

1. 聚类（分组）和降维（压缩信息）是无监督学习的两大任务。

2. 它常用于数据探索：先看数据长什么样，再决定怎么用。

3. 无监督学习评估困难，因为没有“标准答案”可比对。

4. 异常检测是典型应用：找出跟大多数数据不一样的点。

图片来源：Openverse / Rain Rabbit（https://www.flickr.com/photos/37996583811@N01/8895960092）

## 写在最后

以上是关于「无监督学习」的科普介绍。人工智能正在快速发展，相关概念和方法也在不断演进。希望本文能帮你建立对这一主题的基本认识。