🔵 分群 Clustering
把相似的樣本聚成一組，例如顧客分群、影像分割、異常偵測。
Mochi 教學手帳 · Lesson 01
沒有標籤，機器怎麼自己學？
非監督式學習餵給模型的資料完全沒有答案（標籤），演算法得自己從資料裡找出隱藏的結構。兩大分支：把資料分群，或把資料降維。
動手觀察 · K-means
互動動畫：未標籤資料 → 自動分成 3 群（K-means）
下面的點一開始全是灰色（沒有標籤）。按「開始分群」，演算法會反覆做兩件事：① 每個點歸到最近的群中心；② 群中心移到該群的平均位置——直到穩定。
01把每個資料點分配給距離最近的群中心。
02重新計算每一群的平均位置，移動群中心。
Mochi：灰色點點還沒有分群，準備好就出發吧！
未分群資料點
群 1
群 2
群 3
✕ = 群中心（Centroid）
非監督式學習的兩大分支
iPAS 常考：分群是「把樣本分組」，降維是「把特徵變少」。兩者都不需要標籤。
🟠 降維 Dimensionality Reduction
把高維特徵壓縮到少數維度，用於視覺化、去雜訊、加速運算。
生活裡的線索
典型應用情境
當資料沒有現成答案時，非監督式學習就像偵探，從相似度、距離與密度中找出可用線索。
顧客分群 / 市場區隔
異常偵測（無標籤）
推薦系統
影像分割
高維資料視覺化
特徵壓縮去雜訊
基因 / 單細胞分析
考前便利貼
iPAS 考點提醒
情境題：將顧客「未使用任何標籤」自動分成數個群組，屬於哪一種學習？
關鍵字：沒有標籤、自己找結構。有標籤預測 → 監督式；用獎勵試錯 → 強化式；自動分群、無標籤 → 非監督式。
常見陷阱
「加入少量標籤就變成監督式」是錯的——那是半監督式。非監督式的評估也沒有單一標準答案，分群用輪廓係數、降維看結構保留度。
Mochi 的本課小結
沒有標籤，也能找到資料裡的規律
非監督式學習不靠標準答案，而是從資料本身的形狀與關係中整理出結構。
分群：把相似的樣本放在一起，回答「誰和誰比較像？」
降維：用更少的特徵保留重要結構，讓資料更容易看懂與運算。
