沒有標籤、沒有標準答案、沒有老師改考卷。
這是機器學習裡最放飛自我的「邪修」流派。
各位，歡迎回到頻道。今天我們要聊的這個東西，第一次看到你會很難分辨，它到底是一個認真的學習方法，還是某個喝醉的資料科學家，拿著一堆沒貼標籤的資料，硬要電腦自己「悟」出結構來。
監督式學習是好學生：老師給題目、給答案，它照抄。而非監督式學習呢？它是那種沒人教、自己在房間裡瞎搞，然後某天突然開悟的怪咖。你只丟一堆資料，不告訴它誰是誰，它就自己開始分堆、自己找規律。
它的核心任務其實就兩條路：一條叫分群（把長得像的兜在一起），一條叫降維（把一大坨資訊壓扁到你看得懂）。真金不怕火煉——聽我把這兩條路走一遍。
沒有名牌的派對，機器要自己看誰跟誰站一堆。同樣一件事，四個演算法四種脾氣。
K-Means 是分群界的Street Fighter——招式老掉牙，但幾十年了大家還在用，因為它又快又直覺。你先告訴它要分成幾群（K），它隨機丟幾個中心點，大家投靠最近的中心，再把中心搬到人堆正中間，來回反覆，直到沒人想搬家為止。
缺點也很誠實：K 要你自己猜（猜錯就全盤崩壞）、只認得圓圓的一坨、遇到長條形或奇形怪狀的群體它就傻眼，還會被離群值一把拉歪。
這位是慢工出細活的族譜學家。它從每個點都是自己一國開始，一步一步把最靠近的兩群合併，最後長成一棵樹（樹狀圖 Dendrogram）。你想分幾群？拿把剪刀在樹上哪一層剪下去就好，事後才決定，超級隨性。
好處是不用預先設 K、能看出資料的「巢狀結構」；壞處是資料一大就慢到懷疑人生（複雜度直接爆），而且合併了就反悔不了。
前兩位有個通病：硬要每個人都歸隊。DBSCAN 不慣這毛病——它看的是密度，人擠人的地方自動成群，形狀再怎麼扭曲（月牙形、環形）它都認得，而站在荒郊野外的孤點，直接標記成噪音，不強迫入群。
它不用你指定群數，但要你調兩個參數（半徑 eps 與最少點數）。密度差很多的資料它會卡住——於是進化版 HDBSCAN 登場，自動處理不同密度、少調一個參數，穩定度大升。
K-Means 是硬派——你就是這群、沒得商量（hard assignment）。GMM 是政治正確版：它假設資料是好幾個高斯鐘形分佈疊在一起，然後告訴你每個點屬於各群的機率（soft assignment）。
因為它有「形狀」的概念（用共變異數描述橢圓胖瘦與傾斜），所以能處理 K-Means 搞不定的橢圓形、重疊模糊的群。代價是計算較重、也要你先猜群數。
把一大坨看不懂的高維資料，壓成人類眼睛看得下去的 2D／3D，還盡量不搞丟重點。
PCA 是降維界的老大哥，講究數學上的乾淨俐落。它去找資料「散得最開」的那幾個方向（主成分），把資料投影上去，一口氣把幾百維壓成幾維，還保留最多的資訊量。又快、可解釋、可逆，是最常見的第一步。
但它有個死穴：它只會畫直線（線性）。資料要是捲成瑞士捲那種彎曲結構，PCA 一刀切下去，會把本來離很遠的點壓成鄰居，慘案發生。
t-SNE 是那種為了視覺效果拚了命的選手。它不管全局長怎樣，只死守一件事：在高維相鄰的點，壓到 2D 也要黏在一起。出來的圖一團一團分得漂漂亮亮，是論文插圖的常客。
但要小心它的障眼法：圖上兩坨的「距離遠近」跟「一坨的大小」通常沒有意義，別過度解讀。而且它慢、每次跑結果都不太一樣、參數（perplexity）很敏感，只適合拿來「看」，不適合當正式特徵。
如果 t-SNE 是天才但脾氣古怪，UMAP 就是那個又快又穩、還兼顧全局的接班人。它建立在數學（流形與拓撲）的地基上，速度遠勝 t-SNE、能處理更大的資料，而且既保留局部鄰居、也比較保得住整體結構。
更爽的是它能套用到新資料上（transform），不用整批重跑。近年幾乎變成高維視覺化的預設首選。但一樣要提醒：圖是拿來探索用的，別把上面的距離當聖旨。
圖裡每個方法後面都拖著一顆紅點——因為沒有標準答案的世界，最怕的就是自我感覺良好。分完、降完，你得有辦法證明它不是在唬爛。
Silhouette 看「群內緊、群間遠」；Elbow / BIC 幫你選群數；DBCV 專治密度型分群。
PCA 看解釋變異比；t-SNE／UMAP 看 Trustworthiness，確認鄰居沒被拆散。
ARI、NMI 可以拿你的分群結果去對照真實類別，算它猜得多準。
丟進下游任務跑跑看——分類、檢索、異常偵測有沒有變強，才是硬道理。