← 返回 AI 學習與考證地圖
非監督式學習 · Unsupervised

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。

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。

狀態：未分群（原始資料）
未分群 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。

🔵 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。

分群總覽 K-means DBSCAN 階層式分群 GMM

🟣 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。

降維總覽 PCA t-SNE UMAP 降維品質評估

典型應用情境

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

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。