没有标签怎么学

设定变了

前面 11 章全是有监督学习:每个样本都有一个正确答案。

现在把标签拿掉,只给你一堆数据点,能学出什么?

为什么没有标签也值得学

因为标注很贵。一张医学影像要专家看十分钟,一条用户评论要人判断情感。

而原始数据是免费的——网页、日志、传感器读数。无监督学习就是想从这些免费数据里挖出结构。

三类任务

聚类

把相似的点分到一组。你不知道有几组,也不知道每组是什么意思——那要人来解释。

比如把用户分成几群,然后你去看:“哦,这群人都是夜猫子,那群人周末活跃。”

降维

把 100 维的数据压到 2 维,用来看图、去噪声、加速后面的模型。

异常检测

找出和大多数样本都不一样的点。信用卡盗刷、机器故障都是这个套路。

无监督没有“正确答案”

有监督里,模型对不对有验证集说话。无监督里,没有标签可以比对。

你只能说“这个聚类结果内部紧凑、类间分离”——但那只是数学上的好看, 不代表它对应任何真实的结构。

一组用户可以被分成 3 群、5 群、8 群,每个结果在数学上都成立。哪个“对”,取决于你打算用这个分群做什么。

两章的分工

接下来两章:

  • 第 13 章 聚类:怎么把点分组,分几组合适

  • 第 14 章 降维:怎么把维度压下去,压到几维

两者其实经常一起用:先降维再聚类,或者先聚类再看每一群在主成分上的分布。

这一课的位置

这一课只是把设定讲清楚:没有标签,目标从“预测对”变成“找出结构”。

下一课从最常用的聚类算法开始。