Unsupervised Learning

无监督学习是机器学习的一个分支，旨在不使用标签而从数据中发现结构。模型只接收图像、传感器读数或客户记录等输入，并学习数据的组织方式：哪些样本彼此相似、哪些特征会共同变化，以及哪些点与其他数据明显不同。监督学习需要为每个训练样本提供正确答案，而大多数采集到的数据都没有标签，因此无监督方法通常是探索新数据集的第一步，也是后续模型所依赖的分组、紧凑特征和异常分数的来源。

主要方法类别#

聚类会将相似样本分组。K 均值聚类会将每个点分配给距离最近的 k 个质心之一；DBSCAN会从密集区域扩展出簇，并将孤立点标记为噪声；高斯混合模型则使用期望最大化算法拟合重叠的概率分布。

降维会将大量特征压缩为少数几个，同时保留大部分信息。主成分分析（PCA）会找出方差最大的方向；t-SNE和 UMAP 则将高维数据点映射到二维空间，以便进行数据可视化。自编码器通过神经网络学习同类压缩方式，并要求网络重建自身输入。

密度估计会对每个输入的可能性进行建模，因此只需正常数据就能实现异常检测：只使用完好部件或普通交易训练的模型，会将其认为不可能出现的内容标记出来。关联规则挖掘（例如 Apriori 算法）则会发现购物篮或事件日志中经常一起出现的项目。

无标签学习与评估#

没有目标值时，每种方法都要优化基于输入本身定义的准则：K 均值会最小化数据点到簇中心的距离，PCA 和自编码器会最小化重建误差，混合模型则会最大化数据似然。由于无法直接衡量准确率，结果会通过轮廓系数等内部指标、输出对下游任务的实用性，或仅供评估使用的保留标签来判断。

下面的 scikit-learn 示例根据像素值对 1,797 张手写数字图像进行聚类，然后将聚类结果与算法从未见过的数字标签进行比较：

from sklearn.cluster import KMeans
from sklearn.datasets import load_digits
from sklearn.metrics import adjusted_rand_score

# Load 1,797 handwritten digit images as 64 pixel values each, then set the labels aside
X, y = load_digits(return_X_y=True)

# Group the images into 10 clusters using the pixels alone
kmeans = KMeans(n_clusters=10, n_init=10, random_state=0)
clusters = kmeans.fit_predict(X)

# Compare the clusters with the digit labels the model never saw
print(f"Adjusted Rand index: {adjusted_rand_score(y, clusters):.2f}")

调整兰德指数在完全匹配时为 1.0，随机一致时约为 0；本例中的指数为 0.67。数字 0、4 和 6 几乎都各自落入单独的簇，而其中一个簇则混合了 100 个数字 1 和 100 个数字 8。

无监督、半监督与自监督学习#

半监督学习将少量带标签数据与大量无标签数据结合起来，通常先使用标签训练模型，再利用模型自身有把握的预测继续学习。自监督学习通常被视为无监督学习的一种，也是大多数大型深度学习模型从无标签数据中学习的方式：它从数据本身创建预测目标，例如句子中的下一个词，或掩码自编码器中的图像隐藏块。大型语言模型通过这种方式在无标签文本上进行预训练；Meta 的 DINOv2 则在 1.42 亿张无标签图像上学习通用图像特征。强化学习是另一种学习设置，其学习信号是对动作的奖励，而不是固定数据集中的结构。

应用场景#

计算机视觉团队会在标注或训练前使用无监督方法探索数据集：嵌入向量聚类可以揭示近重复图像、离群点和占比过高的场景，这些因素可能会使模型产生偏差。Ultralytics Platform上的聚类面板可以处理整个数据集：它会为每张图像生成嵌入向量，将图像布局到二维地图上；将颜色依据设为“聚类”后，它会标出每个由视觉相似图像组成的簇，并按大小从大到小排列，还会将不属于任何簇的点列为“分散点”。在YOLO26模型使用这些数据进行训练之前，成批出现的近乎相同的视频帧或少数散落的离群点就会在地图上显现出来。

工业检测主要依赖异常检测。缺陷既少见又多样，因此许多缺陷检测系统只学习完好部件的外观，并将任何偏离这种外观的图像区域标记出来。银行在欺诈检测中对交易采用同样的思路；零售商则会将购买历史聚类为客户细分群体，用于营销和推荐系统。在单细胞基因组学中，研究人员会对数千个单细胞的基因表达谱进行聚类，并使用 UMAP 绘图，从而在事先未知的情况下发现细胞类型。