AITerms 登入
iPAS 初級 機器學習模型訓練資料處理

非監督式學習(Unsupervised Learning)是什麼?

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

完整定義

非監督式學習是一種機器學習範式,用於從未標記的資料中發現隱藏的結構或模式。它不依賴於預先定義的標籤或目標變數,而是通過演算法自動探索資料的內在特性,例如聚類、降維和異常偵測。在 iPAS 初級考試中,非監督式學習是機器學習的重要組成部分,掌握其常見演算法和應用是考核重點。

白話說明

你有沒有把一堆沒標籤的東西分門別類過?

你可以把非監督式學習想成「沒有標準答案,模型自己找結構」

它常用來分群、找異常、做降維,先幫你看懂資料裡藏了什麼

在標籤很少或根本沒有標籤時,這種方法特別有價值

記住這句

沒答案時,先讓資料自己說出規律。

比喻:非監督式學習就像一位考古學家 -- 他沒有地圖或指南,只能從挖出來的文物中自行尋找線索,慢慢歸納出不同文明的特徵和分佈規律。

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

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

演算法與應用

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

說法
非監督式學習
出現場合
台灣正式用語
說法
无监督学习
出現場合
簡體寫法
說法
Unsupervised Learning
出現場合
英文原名
說法
無監督學習、非監督學習
出現場合
常見變體,意思相同

主要任務類型

任務
分群(clustering)
在做什麼
把相似的資料分成幾組
代表方法
K-means、階層式分群、DBSCAN
任務
降維(dimensionality reduction)
在做什麼
用較少的維度保留主要資訊
代表方法
PCA、t-SNE、UMAP、自編碼器
任務
異常偵測(anomaly detection)
在做什麼
找出跟多數資料不一樣的點
代表方法
Isolation Forest、One-Class SVM
任務
關聯規則探勘
在做什麼
找出「買了 A 的人也常買 B」
代表方法
Apriori、FP-Growth
任務
密度估計
在做什麼
建模資料的機率分布
代表方法
高斯混合模型

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。

iPAS 考試出題分析

非監督式學習 屬於 iPAS AI 應用規劃師評鑑範圍(高頻・初級),實際考試內容以官方公告為準。

常見一起複習的方向包含:各類學習範式的定義與比較、適用場景判斷、演算法優缺點分析。

常見問題

範例考題

下列何者不符合非監督式學習(Unsupervised Learning)的典型特徵?

  1. A模型可依據資料中的特徵相似性進行自動分群
  2. B訓練過程中不需仰賴事先定義的標籤資料
  3. C常用於探索資料的潛在結構或隱含模式
  4. D模型主要學習輸入特徵與既定目標標記之間的對應關係
到題目頁作答

某企業評估於不同業務場景導入機器學習技術。下列哪一項應用情境與機器學習類型的搭配最為適當?

  1. A在醫療影像分析中,同時運用少量已標註資料與大量未標註影像進行模型訓練:監督式學習(Supervised Learning)
  2. B在智慧推薦系統中,利用顧客是否點擊的歷史標籤資料預測未來偏好:非監督式學習(Unsupervised Learning)
  3. C在詐欺交易分析中,模型透過錯誤判斷所產生的損失作為回饋訊號,持續調整策略:監督式學習(Supervised Learning)
  4. D在股價資料分析中,將歷史價格變動模式劃分為若干趨勢型態,且未使用人工標註:非監督式學習(Unsupervised Learning)
到題目頁作答

出現在這些考古題

官方公告試題的逐題解析裡,有 10 題把非監督式學習列為延伸術語,這裡列出 5 題。

立即測驗

想測試你對 非監督式學習 的掌握程度?用考古題作答

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

參考來源:ipd.nat.gov.tw

考試範圍:iPAS AI 應用規劃師評鑑內容範圍參考(115.02 更新),經濟部產業人才能力鑑定,實際考試內容以官方公告為準。

其他格式:Markdown 版本