无监督学习

监督学习需要"老师标答案"。但现实中90% 的数据根本没有答案——一堆用户行为日志、一堆图片、一堆网页。无监督学习做的事：不给答案，让机器自己找出"这里面有什么规律"。

先把术语翻译成人话

无监督学习的术语听着玄，一堆"聚类、降维、流形"，说白了都是超市理货员和图书馆管理员天天在干的活儿。先摆一张对照表。

和监督学习的对比

一句话先垫底：监督学习好比做带答案的作业，无监督学习好比让你去一个陌生仓库把货理顺——没人给你分类标准，你得自己看着东西琢磨该分几个区。

这张对比表最值钱的一行是最后一行——"评价：较难量化"。它看起来只是一句技术描述，实际上决定了无监督学习在工业界的全部命运。监督学习有一条铁律："上线前先看测试集 AUC"，团队之间可以拿数字吵架、拿数字决策。无监督学习没有这条铁律：你把用户聚成 5 群还是 8 群，谁也拿不出一个客观数字说哪个对。于是它的成败最终落到"业务方能不能看懂这几个群、能不能据此改动作"上，这是一件社会性的事，不是技术性的事。

再补一个常被混淆的概念：无监督学习不是"没有目标函数"，它同样在优化一个明确的数学量。K-Means 在最小化"每个点到自己簇中心的距离平方和"，PCA 在最大化"投影后保留的方差"，自编码器在最小化"重建误差"。区别只在于：这个目标函数里没有 y。它衡量的是"结构描述得好不好"，而不是"答案猜得对不对"。理解这一点，你就明白为什么无监督学习会给出"数学上完美但业务上荒谬"的结果——它优化的东西和你想要的东西之间，本来就没有硬绑定。

无监督学习的三大任务

三个任务名都挺唬人，但它们干的活儿其实就是超市里三个岗位：聚类是理货员——把同类商品归到一个货架区；降维是做报表的——三百个 SKU 的销量压成"生鲜/日百/酒水"三个数字给店长看；异常检测是防损员——盯着哪笔账、哪个人不太对劲。

聚类详解 · 怎么"自动分组"

拿最经典的 K-Means 举例，看它怎么把一堆用户分成 K 组：

K-Means 的三个致命弱点

K-Means 的原型算法 1957 年就由贝尔实验室的 Stuart Lloyd 提出了（当时用于脉冲编码调制），1967 年 MacQueen 给了它今天这个名字。它至今仍是全世界用得最多的聚类算法，原因简单：快、好懂、容易实现。但它有三个必须提前知道的弱点，不然一定踩坑。

弱点一：它只会画"圆形"的簇。K-Means 的判定标准是"离哪个中心近就归哪一组"，几何上这意味着簇的边界一定是直线（垂直平分线），簇的形状一定是凸的、大致球形的。所以如果你的数据长成两个同心圆环、或者两条弯曲的月牙形，K-Means 会给出一个数学上无可指摘、直觉上荒谬到底的划分——它会把每个月牙切成两半，再把两个月牙各一半凑成一组。数据的真实形状不是球形时，K-Means 无救。

弱点二：它对初始中心和离群点都很敏感。初始中心随机选，选得不好会收敛到很差的局部最优；跑两次得到不同结果是常态。缓解办法是 2007 年提出的 K-Means++ 初始化——第一个中心随机选，后续中心以"离已有中心越远概率越大"的方式选，让初始中心尽量分散。今天所有主流库的默认设置都是它。至于离群点，因为簇中心是平均值，一个极端离群点就能把整个中心拽偏；如果换成中位数思想的 K-Medoids 就稳健得多，代价是慢很多。

弱点三：它假设每个簇的大小和密度差不多。如果真实数据是"一个 9000 人的大群 + 一个 100 人的小群"，K-Means 倾向于把那个大群硬切成两半，而不是把小群单独拎出来——因为切大群能更多地降低总距离平方和。这在用户分群里非常要命：你最想找的那批高价值小众用户，恰恰是 K-Means 最容易忽略的。

DBSCAN 与层次聚类：另外两种世界观

两个名字先翻译一下：DBSCAN（Density-Based Spatial Clustering of Applications with Noise，基于密度的带噪声空间聚类——哪儿人挤就算一堆，落单的直接判成杂物），层次聚类（Hierarchical Clustering，一层层往上合并，最后得到一棵家族树）。打个比方：DBSCAN 干的活儿好比地铁站里凭"哪块人挤成团"来判断哪几拨人是一起的，站台边上零星几个人就算路人；层次聚类好比图书馆的分类号，先分大类再分小类，你想要几层就在哪一层停。

DBSCAN（1996 年由 Ester、Kriegel 等人提出，2014 年获得 KDD 时间检验奖）换了一个完全不同的思路：不问"离哪个中心近"，而问"周围挤不挤"。它只有两个参数——半径 eps 和最小点数 minPts，然后把所有点分成三类：

核心点 core   ：半径 eps 内至少有 minPts 个点  → 处在稠密区域内部
边界点 border ：自己不够稠密，但落在某个核心点的 eps 内 → 簇的边缘
噪声点 noise  ：既不核心也不沾边  → 直接判为离群点，不归任何簇

聚类过程：
  从任一未访问的核心点出发，把它 eps 内的点全部拉进同一簇，
  再从新拉进来的核心点继续往外扩，直到扩不动为止 → 一个簇完成。
  换一个未访问核心点，重复。剩下扫不到的，全是噪声。

核心优势：簇的形状完全由数据密度决定，
         所以两条弯曲的月牙、一个 S 形的星系带，它都能正确分开。

DBSCAN 的两个杀手级特性是不需要预设簇数和自带离群点识别——这两点在真实业务数据上价值极高，因为真实数据里总有一撮说不清道不明的怪样本，K-Means 会被迫把它们塞进某个簇从而污染整个簇的画像，DBSCAN 直接扣出来标成噪声。它的软肋是对 eps 极其敏感，而且假设所有簇的密度接近。如果数据里同时有一个极密的簇和一个稀疏的簇，同一个 eps 无法兼顾——这正是 2013 年之后 HDBSCAN 要解决的问题：它在不同密度层级上分别建簇，然后选出最稳定的那些。

层次聚类（Hierarchical Clustering）的世界观是"生物分类学式"的：它不给你一个划分，而给你一整棵树（树状图，dendrogram）。自底向上的凝聚式做法是：一开始每个点自成一簇，每一步合并距离最近的两簇，直到只剩一簇。你事后想分几类，就在树的相应高度横着切一刀。

这里的"两簇之间的距离"怎么算，会彻底改变结果，这是层次聚类最需要小心的地方。单链接（Single Linkage）用两簇最近两点的距离——容易产生"链式效应"，把两个本该分开的簇通过一串中间点连成长条。全链接（Complete Linkage）用最远两点的距离——倾向产生紧凑的球形簇，但怕离群点。Ward 方法合并时最小化簇内方差增量，通常给出最均衡的结果，是实践中的默认首选。层次聚类的最大代价是复杂度——O(n²) 的距离矩阵在十万条数据上就要吃掉几十 GB 内存，所以它基本只用在几千条以内的数据上，或者用来对 K-Means 的结果做二次组织。

簇数怎么定：肘部法、轮廓系数和业务法则

"K 该等于几"是无监督学习里最经典的无解之问。业界有几个半客观的判据，知道它们各自的适用边界很重要。

这个问题相当于装修时问"衣柜该隔几格"。隔 2 格太笼统，隔 30 格每格塞不满还找不着东西，中间那个"刚好够用又不啰嗦"的数没有公式，只能一边看东西一边试。下面几个方法说白了都是在帮你把这个"试"做得体面一点。

肘部法（Elbow Method）：横轴 K，纵轴簇内距离平方和（SSE / Inertia）。K 增大 SSE 必然下降（极端情况每个点自成一簇，SSE = 0），所以不能光看下降，要看下降速度的拐点——从某个 K 开始，再增加簇数带来的收益明显变小，曲线出现一个"肘"。它的问题是：真实数据的曲线常常平滑得根本没有肘，三个人看同一张图能读出三个不同的 K。

SSE
 │●
 │ ●
 │  ●
 │   ●        ← 肘部大约在 K=4：再加簇，收益明显变小
 │    ●●
 │      ●●●●●●●
 └────────────────── K
   1 2 3 4 5 6 7 8 9

理想曲线（有明显折点）        真实数据常见曲线（平滑无肘）
 │●                            │●
 │ ●                           │  ●
 │  ●___________               │    ●
 │                             │      ●
 └──────────────               └────────●──── 无从下手

轮廓系数（Silhouette Coefficient）比肘部法客观得多，因为它同时考虑了"簇内够不够紧"和"簇间够不够远"。对每个样本 i 算两个数：a(i) 是它到同簇其他点的平均距离，b(i) 是它到最近的其他簇所有点的平均距离，那么：

公式看着别扭，意思其实就是问每件商品一句话："你跟自己这个货架区的邻居熟，还是跟隔壁区更熟？"跟自家人熟得多，得分接近 +1；两边差不多，得分接近 0（说明这货放哪都行）；跟隔壁更熟，得分是负的（说白了就是放错架子了）。

s(i) = ( b(i) - a(i) ) / max( a(i), b(i) )

取值范围 -1 ~ +1：
  s ≈ +1   这个点离自己簇很近、离别的簇很远  → 分对了
  s ≈  0   它正好卡在两个簇的边界上         → 归属存疑
  s ≈ -1   它离别的簇反而更近               → 大概率分错了

整个聚类的轮廓系数 = 所有 s(i) 的平均值。
用法：对 K=2,3,4,...,10 分别算一遍，取平均轮廓系数最高的 K。
经验：> 0.5 结构比较清晰；0.25 ~ 0.5 结构较弱；< 0.25 基本没结构。

另外两个值得知道的判据：Calinski-Harabasz 指数（簇间离散度与簇内离散度之比，越大越好，计算极快）和 Davies-Bouldin 指数（越小越好）。还有一个思路完全不同的 Gap Statistic：把你数据的 SSE 曲线和"完全随机均匀分布的假数据"的 SSE 曲线做对比，差距最大的那个 K 说明你的数据在那里比随机结构最显著——这是最接近统计检验思维的方法。

但真正最有用的判据往往是业务法则：市场部只能同时运营 4 套差异化文案，那 K 就等于 4，不用讨论；客服团队分成 6 个技能组，那用户诉求就聚成 6 类。在无监督学习里，"可执行"经常比"数学最优"重要一个数量级。更进一步，如果 K=5 时数学指标最好，但其中两个簇的用户画像业务方看了说"这俩我分不出区别"，那就该合并——聚类的产出不是一个模型，而是一份能让人据此行动的洞察。

降维：把 200 维压成 2 维还能看懂

"200 维"这个说法听着玄，换成大白话就是"一个客户身上挂了 200 个指标"。好比一份医院全项体检报告打印出来有二十页，医生不会二十页全看——他其实就是心里把它压成"心血管风险、代谢风险、感染指标"这么两三个综合判断。降维干的活儿一模一样。

降维的动机有三层。第一是对抗维度灾难——在高维空间里，所有点之间的距离会趋于相等，"最近邻"这个概念失去意义，几乎所有基于距离的算法（K-Means、KNN、DBSCAN）都会退化。第二是可视化——人只能看懂二维和三维，要把 200 个指标的客户数据画成一张图，必须先降到 2 维。第三是去噪和加速——保留主要变化方向、丢掉琐碎抖动，往往还能顺带提升下游模型的效果。

PCA（主成分分析）是 1901 年由 Karl Pearson 提出的，比机器学习这个词老了半个世纪。它的思路是纯线性的：找出数据方差最大的那个方向当第一主成分，再在与它垂直的方向里找方差第二大的当第二主成分，依此类推。因为它是线性变换，所以有三个宝贵的性质——结果确定（跑一百次都一样）、可以把新样本投影进同一空间、能反向重建回原始维度。它的局限也来自线性：如果数据的真实结构是弯曲的流形（比如卷成瑞士卷的一张纸），PCA 只会把它压扁而不是展开。

t-SNE（2008 年，van der Maaten 与 Hinton）走的是完全不同的路：它不关心保持全局距离，只关心保持局部邻居关系。做法是把高维空间里的点对距离转成概率、低维空间里也转成概率，然后最小化两个概率分布的 KL 散度。t-SNE 画出来的图漂亮得惊人，簇与簇之间界限分明，是深度学习论文里可视化特征的标准工具。但它有几个必须警惕的性质：

• 簇之间的距离没有意义图上两团点离得远，不代表它们在原空间真的差别更大。t-SNE 只保证局部结构，全局距离完全不可信——这是被误读最多的一点。
• 簇的大小没有意义图上一团点看起来很大很松散，可能它在原空间反而极其紧密。t-SNE 会把稠密区域拉开、稀疏区域压紧。
• 跑两次结果不同它是随机初始化 + 迭代优化，且 perplexity 这个超参数（通常取 5–50）会显著改变图的样貌。不能拿 t-SNE 的图当证据，只能当线索。
• 不能投影新样本它没学出一个可复用的映射函数，来了新数据只能整体重跑。所以它是探索工具，不是生产管线的一环。

UMAP（2018 年，McInnes 等人）是 t-SNE 的现代替代品，基于代数拓扑和流形学习理论。它的实际优势有三条：快得多（百万级样本可跑，t-SNE 在十万级就很吃力）、全局结构保留得更好（簇间相对位置比 t-SNE 可信一些）、支持投影新样本。今天在单细胞基因组学、embedding 可视化这些领域，UMAP 已经基本取代了 t-SNE 的位置。

一条实操建议：PCA 用于生产管线，t-SNE / UMAP 用于人眼看图。不要把 t-SNE 降维后的两维当特征喂给下游分类器——它既不稳定也无法处理新数据。相反，PCA 保留 95% 方差后的前几十维，是一个非常靠谱的降噪特征集。

异常检测：找出"不正常"的四种思路

四条路线都能用一句人话讲完：统计法——离平均值太远就算怪，相当于看谁的身高超出全班一大截；密度法——周围一个人都没有就算怪，就像停车场里孤零零停在最远角落的那辆车；隔离法——几刀就能把它单独切出来的就算怪；重建法——照着"正常样子"复原不出来的就算怪，好比老师傅一摸就知道这块料不对。

异常检测在业务上的价值可能是无监督学习里最直接的——信用卡盗刷、服务器入侵、生产线不良品、设备故障预警，每一个都对应真金白银。它之所以常被划到无监督，是因为异常样本天生稀少且形态千奇百怪，凑不出足够的标签来做监督学习。你没法穷举"所有可能的作弊方式"，但你能相对完整地描述"正常长什么样"。

主流有四条技术路线。基于统计：假设数据服从某个分布，落在 3 个标准差之外就算异常（Z-score）；或者用四分位距 IQR 划界。简单、可解释、适合单变量。基于距离/密度：一个点周围特别空旷就是异常，DBSCAN 天然产出的噪声点就属于这类，LOF（局部离群因子）是更精细的版本，它比较一个点的局部密度和它邻居们的局部密度之比，因此能在密度不均的数据上工作。

基于隔离：2008 年周志华等人提出的 Isolation Forest 用了一个非常反直觉但极其有效的想法——不去建模"正常"，而是直接建模"容易被孤立"。它随机选一个特征、随机选一个切分值，反复切分数据；异常点因为处在稀疏区域，平均只需要很少几刀就能被单独切出来，而正常点埋在稠密区域里需要切很多刀。用"平均切分次数"当异常分，快、不需要算距离、天然适合高维。基于重建：训一个自编码器只用正常数据，它学会了把正常样本压缩再还原；遇到异常样本时它还原不出来，重建误差飙高就报警。这条路线在工业时序信号、设备振动数据上用得非常多。

异常检测的真正难点从来不是算法，而是报警阈值和运营成本的平衡。一个每天报 3000 条告警的系统等于没有系统——风控团队根本看不完，最后集体忽略，这叫"告警疲劳"。所以真实系统的设计一定是分层的：模型给出异常分 → 高分自动拦截 → 中分进人工审核队列 → 低分放行但记录，同时把人工审核的结论回流成标签，让下游逐步演化出一个监督模型。纯无监督的异常检测通常只是第一版，成熟系统最终都会长成"无监督打头、监督兜底"的混合体。

把 3000 条换算一下就知道有多离谱：审一条平均要 2 分钟，3000 条就是 100 个工时，相当于要养 12 个人的办公室专门干这一件事，还得天天加班。所以这套分层设计说白了就是医院的分诊思路——真危急的直接推进抢救室，看着可疑的进排队候诊，明显没事的登记一下就放走。

关联规则与"啤酒与尿布"的真相

关联规则挖掘（Association Rule Mining）是无监督学习里最古老的分支之一，1993 年由 Agrawal 等人在 IBM 提出 Apriori 算法。它回答的问题是："买了 A 的人是不是也倾向于买 B？"三个核心指标必须一起看，只看其中一个必然被骗：

三个指标一句话对应过来：支持度问的是"这事在超市里一天发生多少回"（太少就不值得改货架），置信度问的是"买了 A 的人有几成也买了 B"，提升度问的是"这几成到底是真有搭配倾向，还是本来人人都买"。打个比方：几乎每个人结账都要个塑料袋，你就不能说"买牛奶的人爱买塑料袋"——这不是洞察，这是废话。提升度干的活儿就是把这类废话筛掉。

规则形式：{尿布} → {啤酒}

支持度 Support(A→B) = 同时买 A 和 B 的订单数 / 总订单数
   ← 这条规则覆盖了多大的生意？太低说明是边角料，没有商业价值

置信度 Confidence(A→B) = 同时买 A 和 B 的订单数 / 买了 A 的订单数
   ← 买了 A 的人里，有几成也买了 B？

提升度 Lift(A→B) = Confidence(A→B) / Support(B)
   ← 关键指标！= 1 表示两者独立（毫无关系）
                 > 1 表示正相关（真的有搭配倾向）
                 < 1 表示负相关（买了 A 反而不买 B）

反例：{任意商品} → {塑料袋} 的置信度可能高达 0.9，
     但因为 90% 的订单都买塑料袋，Support(塑料袋)=0.9，
     Lift = 0.9/0.9 = 1.0 → 这条规则一点信息量都没有。
     只看置信度的人，会兴奋地"发现"一堆这种废话。

现在说"啤酒与尿布"。这个故事的标准版本是：某超市通过数据挖掘发现买尿布的男性顾客常同时买啤酒（因为妻子让他去买尿布，他顺手给自己拿几罐），于是把两者摆在一起，销量大增。这个故事被写进了无数本商业书和数据分析课件。

但它的真实性长期存疑。可追查的源头指向 1990 年代初 Teradata 的一位管理者 Thomas Blischok 在一次演讲中提到的、为 Osco Drug 做的购物篮分析，其中确实观察到下午时段尿布和啤酒的共现现象。然而从未有任何超市被确证真的因此调整了货架，也没有公开数据证实调整后销量上升。多年来它在转述中不断被添枝加叶，逐渐从"一个观察"变成了"一个成功案例"。

为什么要花篇幅讲这个真伪？因为它精准地展示了无监督学习最大的陷阱——人类对"发现的模式"有近乎本能的过度解读冲动。算法从一千万条订单里挖出十万条关联规则，其中绝大多数是统计噪声或废话（塑料袋类），但人一旦看到一条能编出好故事的规则，立刻就会相信它是因果、是洞察、是商机。这就是无监督学习必须配上两道防线的原因：一是提升度这类扣除了基线的统计量，二是随后的 A/B 实验。挖出来的规则只是假设，把货架真的换掉、跑两周对照组，才算验证。

无监督学习怎么评估：三类指标

"难以评估"不等于"无法评估"，业界有一套分层的做法，从纯数学到纯业务。

这里要特别说稳定性检验，它是最被低估的一招：把数据随机抽 80% 跑一次聚类，再抽另外 80% 跑一次，看两次的簇结构是否一致（可以用 ARI 度量重叠部分的一致性）。如果每次抽样都给出完全不同的分群，说明这个结构是算法凭空造出来的，不是数据里真实存在的。K-Means 永远会给你 K 个簇——哪怕你喂给它一堆完全均匀随机的点，它也会一本正经地切成 K 块。稳定性检验就是为了识破这种"无结构数据上的假结构"。

想象一下你让两个理货员各拿八成的货去分区，一个分成"食品/日百/清洁"，另一个分成"国产/进口/礼盒"——两份都说得通，但结论完全不搭，这说明这批货本来就没有唯一的自然分法。换成大白话：两次抽样分出来的堆对不上，那这个"发现"就是算法自己编的。

另一个实用手法叫簇画像（Cluster Profiling）：聚完之后，对每个簇统计它在各个特征上相对总体均值的偏离，找出最有区分度的三五个特征来给簇起名字。比如某簇"月消费额是均值的 3.2 倍、退货率只有均值的 0.3 倍、只在夜间下单"，那它就叫"高净值夜猫子"。能起出名字的簇才是有用的簇——这句话是无监督学习落地的实操标准，比任何轮廓系数都更接近项目验收的真实门槛。

实战：用户分群与推荐系统里的无监督

用户分群（Customer Segmentation）是无监督学习最经典的商业应用。最广为使用的框架是 RFM 模型——只用三个特征：R（Recency）最近一次消费距今多久、F（Frequency）一段时间内消费几次、M（Monetary）累计消费多少钱。三个维度各分高低，理论上有 8 种组合，实践中常配合 K-Means 聚出 5–8 个群，每个群配一套完全不同的运营动作：

RFM 之所以历经三十年不倒，是因为它特征少、口径清、每个群业务方一看就懂、每个群都能对应一个明确动作。这四点恰好就是无监督学习项目成功的四个条件。相反，那些一上来就堆两百个特征、聚出十二个群然后谁也说不清区别的项目，几乎全部烂尾。

推荐系统里无监督的角色更隐蔽但更根本。经典的协同过滤就是彻底的无监督思路："和你买过相同商品的那批人还买了什么"——它不需要任何人告诉算法商品的类别或属性，纯靠共现矩阵。后来的矩阵分解（2006–2009 年 Netflix 百万美元大奖赛的主角）把用户-物品评分矩阵拆成两个低维矩阵，本质上就是一次降维：给每个用户和每个物品各学一个几十维的隐向量，向量的每一维对应某种说不清但确实存在的品味维度（可能是"文艺度"，可能是"暴力程度"）。这些维度没有人定义过，是算法从数据结构里自己挖出来的——这正是无监督学习的定义。

今天的向量检索（Embedding + ANN 近似最近邻）是同一思路的工业化版本：把几亿个商品、视频、用户都压成向量放进向量数据库，来了一个请求就找最近的一百个。Facebook 开源的 FAISS、以及 HNSW 这类图索引算法，让"在十亿向量里毫秒级找最近邻"成为标准能力。无监督学习在这里不是一个"分析工具"，而是整个推荐系统的地基。

最后一个不那么显眼但极其重要的应用：数据探索与质量诊断。拿到一份陌生数据，先跑 PCA 和 UMAP 画一张图，往往一眼就能看出问题——数据明显分成两团（说明混进了两个来源不同的批次）、有一撮点孤立在角落（说明存在异常录入）、某个维度上所有点排成一条直线（说明这个特征是另一个特征的线性变换，冗余）。这种"看一眼数据长什么样"的能力，是所有后续建模工作的前提，也是无监督学习在日常工作中被使用得最频繁的方式，只是它通常不被写进项目文档。

无监督学习在你生活中的样子

无监督学习的局限

• 结果不一定有用机器可能"自动分出 5 组"，但这 5 组对应现实里的什么？要人去解读。
• 对参数敏感K-Means 让你指定 K——但你事先不知道"应该分几组"。试错的成本不低。
• 难以评估没有标准答案，"分得好不好"只能凭经验看。

除了这三条，还有两个更隐蔽的局限值得单列。第一，它极度依赖"距离"的定义，而距离在高维空间里是不可靠的。K-Means 默认用欧氏距离，这意味着"月消费额差 1000 元"和"年龄差 1000 岁"在数学上是等价的——所以不做特征缩放的聚类结果，基本等于只按量级最大的那个特征分组。这是聚类项目里最常见的低级错误：忘了做标准化，结果簇的划分完全被"收入"这一列主导，其他二十个特征形同虚设。

"特征缩放"这个词翻译成人话就是"先把单位统一了再比"。好比你在菜市场比两样东西贵不贵，一个标"元/斤"、一个标"元/公斤"，不换算就直接比大小，结论必然荒唐。忘了标准化的聚类，本质上就是拿元和公斤在硬比。

第二，它给出的结构可能是真的，但和你关心的事无关。假设你想对用户分群做营销，聚类却按"手机品牌 + 屏幕分辨率"把用户分成了三组——从数据角度这个结构千真万确、稳定可复现，但它对营销毫无用处。无监督学习不知道你的业务目标，它只能找到"数据里最显著的那个结构"，而最显著的往往是最琐碎的（设备型号、注册渠道、时区）。解法是在特征选择阶段就动手：只把你认为和业务目标相关的特征喂进去。换句话说，无监督学习并没有把人的判断从流程里去掉，只是把它从"打标签"挪到了"选特征"。

为什么现在很少单独用"纯无监督"

纯粹的无监督学习今天用得越来越少——因为有更好的"变种"：

• 半监督学习10% 标注 + 90% 不标注——机器利用未标注数据辅助学习。
• 自监督学习（§ 4.4 详讲）让机器自己造"伪答案"——比如让 AI 遮住句子里的词，让它猜遮住的词是什么。
• 对比学习让机器学"这两张是同一个东西" vs "那两张不是同一个东西"——图片搜索、人脸识别常用。

说"纯无监督用得少"其实有点冤枉它，更准确的说法是：无监督学习从"独立的解决方案"变成了"流程里的一个环节"。今天它最常出现在这四个位置——

第三条特别值得强调，它是无监督和监督最漂亮的一次协作：先用无监督聚类摸清数据有哪几种形态，再按簇分层抽样送去人工标注。这样得到的一千条标注，比随机抽的一千条覆盖度好得多——因为随机抽样会按比例大量抽到最常见的那类，而稀有但重要的形态可能一条都抽不到。这个技巧在冷启动阶段能省下相当可观的标注预算。

至于自监督学习为什么算是无监督的"进化版"，关键在于它把"没有目标"这个根本缺陷补上了。无监督学习的困境是没有 y，于是没有明确的优化目标、没有客观评估。自监督的做法是从数据里造出一个假的 y——遮住一个词让模型猜、把图片旋转 90 度让模型判断旋转了多少度、把同一张图的两种裁剪拉近而把不同图推远。一旦有了 y，损失函数、反向传播、验证集评估这一整套监督学习的成熟机械立刻全部可用，而数据依然是零标注成本的。这就是 2018 年之后自监督全面碾压传统无监督的原因，下一篇 § 4.4 会把它讲透。