无监督学习

是什么

无监督学习（unsupervised learning）是一类不以逐样本外部目标标签为训练输入、而从观测数据中寻找结构的方法；聚类和主成分分析是典型例子。[1, §§14.1–14.3]

为何出现

许多数据没有可靠、完整的目标标签，人们仍需要压缩变量、探索相似样本或发现待核查的偏离模式。

如何工作

实践者先定义样本、特征、尺度和结构目标，算法再按距离、方差、密度或概率模型优化。例如k-means按欧氏距离把点指派给中心。

能做什么与不能做什么

它能生成探索性分组、低维表示或异常候选；不能仅凭输出证明天然类别、因果机制或部署价值。“无监督”不等于无人选择：数据、目标、距离和超参数仍由人确定。广义口径常把不使用逐样本人工外部标签的自监督也归在无监督之下；本书为说明信号机制而将自监督单列，因为它按人为规则从数据构造明确目标。

在本书中

见第11章：无监督、自监督与表示学习。