學習範式
無監督學習（unsupervised learning）
/ un-soo-per-VIZED LER-ning /
想像你把一大盒混在一起的鈕扣倒在桌上，沒有人告訴你該分成哪些類別，你卻自己動手歸攏起來——這些是圓的、紅的，那些是方的、金屬的。沒有人給你標準答案；你只是看著看著，就找出了其中的結構。這就是無監督學習：電腦研究沒有標籤的資料，靠自己去發現裡面隱藏的模式、分組或形狀。
說得更準確些，無監督學習只用輸入，每個例子上並不附帶目標答案。兩件經典的活兒是聚類（把例子分進天然的群組，比如買東西口味相近的顧客）和降維（把許多測量值濃縮成寥寥幾個、卻抓得住要點，讓資料更易於觀察和儲存）。因為沒有答案卡，它的成敗只能間接判斷——分出來的組看著合不合理、對後續任務有沒有幫助——而不是靠一個簡單的分數。
它之所以重要，是因為帶標籤的資料既貴又少，而原始的、無標籤的資料卻到處都是。無監督方法讓你在還沒有人貼過任何標籤之前，就能探索一份新資料、發現異常、或先把資訊壓縮一番。但要誠實地說一句：沒有答案卡，結果就可能含糊不清。不同方法會把同一份資料切成不同的組，而往往並不存在唯一可證明為正確的答案——到頭來，還是得你這個人來判斷，它找到的結構是否真有意義。
一家網店並沒有「省錢黨」或「奢侈型買家」這樣的標籤。它把每位顧客的購買記錄餵進聚類演算法，演算法把他們分成幾個天然的群體。行銷團隊再去解讀這些群體並給它們起名——演算法找出了聚類，意義則由人賦予。
聚類找出群組，含義由人來定。
「無監督」並不等於「不費人力」——你仍要選方法、調參數，還要判斷找出的模式是否真實。而且這裡沒有唯一正確答案，兩次合理的執行也可能彼此不合。
又稱
另見