非監督式學習 是什麼？

Unsupervised Learning：非監督式學習 的完整解釋

非監督式學習是機器學習方法，讓模型在沒有標籤的輸入資料中，自行探索隱藏的結構與模式

容易混淆

非監督式學習 vs 監督式學習 非監督式學習沒有答案標籤 監督式學習有答案標籤 最關鍵的區別：有沒有標準答案

非監督式學習 vs 分群 非監督式學習是大範圍方法 分群只是其中一種任務 最關鍵的區別：整體方法和子任務

非監督式學習 vs 自動分類 非監督式學習不會直接給你正確類別 它先找相似性和結構 最關鍵的區別：找結構不等於直接貼標籤

記住這句就好

沒答案時，先讓資料自己說出規律。

實際案例

客戶分群 把大量消費紀錄分成幾群，再針對不同群做不同行銷

異常偵測 先學正常資料長什麼樣，再找出很不一樣的點

算法與應用

| 分群 | 找出相似樣本群 | 像 K-means | | 異常偵測 | 找出偏離常態的資料 | 像 Isolation Forest | | 降維 | 把高維資料壓成較低維 | 像 PCA | | 關聯規則 | 找出常一起出現的項目 | 像購物籃分析 |

中英對照與常見說法

主要任務類型

沒有標準答案，怎麼知道做得好不好

這是非監督式學習最麻煩的地方：沒有正確答案就沒有準確率可以算。

內部指標只看資料本身。輪廓係數（silhouette score）衡量每個點跟自己這群的距離相對於跟最近鄰群的距離；Davies-Bouldin 指數衡量群內緊密度與群間分離度。它們能幫忙選群數，但高分不等於分群有意義。

外部指標需要部分標註當參考，例如調整後蘭德指數（ARI）。有一小批標註時值得用。

下游任務評估往往最實際：把分群結果或降維後的特徵餵給下游任務，看下游表現有沒有變好。

最後仍需要人看。 分群結果能不能對應到業務上說得通的族群，只有懂業務的人判斷得出來。演算法可以把客戶分成五群，但「這五群各是什麼樣的人」得由人來命名。

常見誤解

不是「不用標註所以比較省」。 省下的是標註成本，但增加了驗證與解讀成本，總成本不一定低。

分群數量通常要自己決定。 K-means 必須先給 K。手肘法與輪廓分數可以輔助，但沒有客觀正確的答案。DBSCAN 不用給群數，但要給密度參數，一樣是人工選擇。

自監督式學習不等於非監督式學習。 自監督式從資料本身造出標籤（遮住一段猜回來），訓練過程仍然是監督式的形式，只是標籤不用人標。現在的大型模型預訓練屬於這一類，習慣上會跟傳統的非監督式方法分開講。

情境判斷

Q1（直覺題）：資料完全沒有標籤，先想看大概分成幾類，適合用它嗎？ → 適合，這就是非監督式學習很典型的起點。

Q2（判斷題）：如果你已經有很多可靠標籤，還一定要用非監督式學習嗎？ → 不一定，有標籤時監督式學習通常更直接。

非監督式學習 在 iPAS 考試中的重點

根據歷年統計，非監督式學習 相關題目 平均佔 AI 技術類考題 7%， 屬於高頻考範圍。

常見出題方向：各類學習範式的定義與比較（45%）、適用場景判斷（35%）、演算法優缺點分析（20%）。

常見問題

非監督式學習是不是比較不準？

不能這樣比，因為它通常沒有唯一標準答案，重點是結構有沒有用。

它只能做分群嗎？

不是，異常偵測、降維和關聯規則也都屬於它。

結果一定代表真實世界的類別嗎？

不一定，模型只是找相似性，還要回到場景裡驗證。