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
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。
不是,異常偵測、降維和關聯規則也都屬於它。
不一定,模型只是找相似性,還要回到場景裡驗證。
常見演算法依任務分成幾類。分群有 K-means、階層式分群與 DBSCAN,降維有主成分分析(PCA)與 t-SNE,異常偵測有 Isolation Forest,關聯規則有 Apriori。挑哪一種要看你想找出群組、壓縮維度,還是找出少見的異常點。
差別在訓練資料有沒有標籤。監督式學習用帶有正確答案的資料,學會從輸入對應到輸出,例如判斷郵件是不是垃圾郵件。非監督式學習只有輸入資料,目標是找出資料本身的結構,例如把客戶分群。實務上兩者常搭配,先分群再針對各群建立監督式模型。
常見例子包括依消費行為做客戶分群、從交易紀錄找出可疑的異常交易、把高維資料降維後畫圖觀察,以及分析購物籃找出常一起購買的商品。這些場景的共同點是資料很多,但沒有現成的標籤可以直接拿來學。
範例考題
下列何者不符合非監督式學習(Unsupervised Learning)的典型特徵?
- A模型可依據資料中的特徵相似性進行自動分群
- B訓練過程中不需仰賴事先定義的標籤資料
- C常用於探索資料的潛在結構或隱含模式
- 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
正解是 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
解析:非監督式學習的特點是不使用標籤資料,透過資料本身的結構進行分群或降維等任務。學習輸入特徵與目標標記之間的對應關係是監督式學習的特徵,不屬於非監督式學習。
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?
- 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)
- 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)
- 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)
- 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)
正解是 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)
解析: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,這是典型的非監督式學習應用(如分群、模式發現),不需要標籤資料就能發現資料中的隱含結構。
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
- 監督式學習Supervised Learning最常和它對比的概念
- K 均值分群K-Means Clustering最常見的非監督方法之一
- 異常偵測Anomaly Detection重要應用場景
- 主成分分析Principal Component Analysis最常見的降維方法之一
- 機器學習Machine Learning
- 嵌入表示Embedding
- 自監督學習Self-supervised Learning
- 半監督學習Semi-supervised Learning
- 降維處理Dimensionality Reduction
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