无监督学习

无监督学习是什么

无监督学习（Unsupervised Learning）是机器学习的主要范式之一：训练数据没有人工标注（没有"正确答案"标签），模型的任务是从数据自身发现结构——把相似的东西归为一类、找出数据的潜在维度、学习数据的分布规律。与之相对，监督学习用"输入-标签"对学习映射，强化学习用试错学策略；无监督学习则是在"没有人告诉模型什么是对的"的情况下自主学习。

核心任务

常见的无监督任务包括：

• 聚类：把相似样本自动分组（用户分群、文档归类、图像分割）。
• 降维：把高维数据压缩到低维同时保留结构（可视化、去冗余、特征压缩）。
• 密度估计与生成：学习数据的分布并生成新样本（自编码器、生成模型）。
• 自监督学习：从数据自身构造"伪标签"预训练（让模型预测文本中被遮挡的词、图像中被挖去的块），是大模型预训练的主要方式。

与监督学习的区别

监督学习需要大量人工标注（成本高、依赖标签质量），擅长"学会映射"；无监督学习无需标注（数据随处可得），擅长"发现结构与规律"。两者常组合使用：无监督先在大规模无标注数据上预训练（学通用规律），监督再在少量标注数据上微调（对齐具体任务）——这正是大模型"预训练 + 微调"的范式。

应用场景

用户画像与客户分群、异常检测（金融欺诈、系统故障）、推荐系统（用户行为模式发现）、知识图谱构建（实体聚类）、以及大语言模型的预训练——无监督学习是"AI 从海量原始数据中自主学习"的根本途径，与大模型时代深度绑定。