无监督学习是模型在无标签数据中自主发现结构、分组或模式的方法，核心任务包括聚类、降维、异常检测和关联规则挖掘；常用方法有K-Means（需标准化与合理选K）、PCA（线性降维）和DBSCAN（密度聚类，抗噪性强）。
什么是无监督学习
无监督学习是让模型在没有标签的数据中自己找结构、分组或模式。它不依赖“正确答案”，而是从数据本身的分布、距离、密度等特征出发，发现隐藏的规律。常见任务包括聚类、降维、异常检测和关联规则挖掘。
最常用的无监督学习方法
初学者可优先掌握以下三类方法，它们覆盖大多数实际场景：
- K-Means 聚类：把相似样本自动分成 K 组。关键在合理选 K（可用肘部法或轮廓系数评估）；注意数据需标准化，否则量纲差异会严重干扰结果。
- 主成分分析（PCA）：用于降维和可视化。它通过线性变换找到数据方差最大的方向，保留主要信息的同时压缩维度。适合高维数据预处理或探索性分析。
- DBSCAN：基于密度的聚类，能识别噪声点和任意形状的簇。参数 eps 和 min_samples 需结合领域经验调整，比 K-Means 更鲁棒，也更贴近真实数据分布。
用 scikit-learn 快速上手
几行代码就能跑通一个完整流程。以鸢尾花数据集（不使用真实标签）为例：
from sklearn.cluster import KMeansfrom sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
先标准化 → 用 PCA 降到2维便于画图 → KMeans 分3类 → 可视化聚类结果。过程中不碰真实类别，纯粹靠数据自身结构做判断。
立即学习“Python免费学习笔记（深入）”；
实战中容易踩的坑
无监督学习效果高度依赖数据质量和预处理：
- 缺失值未处理或异常值未剔除，会导致聚类中心偏移；
- 混合类型特征（如数值+类别）直接喂给 K-Means 会失效，需先编码或改用 Gower 距离；
- “发现规律”不等于“有意义的规律”，必须结合业务理解验证结果——比如聚出的客户群是否在行为、转化率上真有差异。
