无监督算法是一类只使用未标注数据来训练的机器学习算法，模型需要自行从输入中发现模式、结构与关系，而不是去拟合人工给定的答案。[1][2] 聚类、降维、密度估计是它最主要的任务类型。[2] 由于省去了人工标注环节，它适合处理标注成本高、先验知识少的数据，常被用作数据预处理与特征提取手段，也能独立完成客户细分、异常识别、数据可视化等分析工作，是机器学习中与监督学习并列的基本范式。[1][3]
定义
无监督算法是一类在训练阶段不使用人工标注样本的 机器学习 算法，它只把输入数据本身交给模型，由模型依据数据内部的统计规律去发现其中的模式、结构或关系。[1][2] 与 监督学习 相比，这类算法的每个训练样本都没有与之配对的目标输出，模型在训练时得不到“正确答案”作为参照。[1][4] 因此，无监督算法要回答的是数据本身呈现何种结构的问题，而不是预测某个已知标签的问题。[4]
按照常见划分，聚类、降维与密度估计是无监督算法最主要的任务类别。[2] 聚类把相似的样本归到一起；降维用更少的变量概括原有信息；密度估计刻画样本在空间中的分布状况。[5] 在标注稀缺或获取代价很高的场合，无监督算法既可以作为监督任务的前置步骤，也可以单独承担分析工作，并与半监督学习、自监督学习相互衔接。[1]
原理
这类算法通常先对数据的结构作出假设，例如在 降维 任务中假定样本位于一个低维结构上，或者假定变量之间存在概率依赖关系，再据此定义需要优化的准则函数。[3] 准则函数往往源自最大似然、矩估计或贝叶斯推断等统计原理，求解则依靠优化算法或随机采样。[3]
以 K均值聚类 为例，它把样本划分成 k 个簇，目标是让每个样本到所属簇中心的平方距离之和最小，即 $J=\sum_{j=1}^{k}\sum_{x\in S_j}\lVert x-\mu_j\rVert^{2}$。[6] 算法在“按最近的簇中心分配样本”与“用簇内样本均值更新簇中心”两步之间反复迭代，每一步都不会使目标函数增大，因此计算会在有限次迭代后停止，但只能保证得到局部最优解。[6][7]
这一迭代过程可以用下面的流程图表示：[6]
flowchart TD
A[初始化 k 个簇中心] --> B[把每个样本分到最近的簇]
B --> C[用簇内样本的均值更新簇中心]
C --> D{簇中心是否改变}
D -- 是 --> B
D -- 否 --> E[输出聚类结果]
另一类思路是压缩与重建。自编码器 让网络的输出尽量还原输入，当中间隐层的节点数少于输入维度时，隐层便给出了数据的压缩表示，可用于特征提取、发现冗余和数据压缩。[8] 有分析指出，无监督方法能够奏效的前提，是输入数据本身存在冗余。[4]
发展历程
无监督方法的思想可以追溯到 20 世纪初。1901 年，皮尔逊提出主成分的概念，用一张平面去拟合散布在空间中的数据点，成为降维技术的早期源头；1933 年，霍特林独立地发展出后来被称为 主成分分析 的方法。[9][10] 这一类方法在电子计算机普及之后才被大量使用。[10]
在聚类方向，劳埃德于 1957 年在贝尔实验室提出用迭代方式把数据分组，用于脉冲编码调制，但该工作直到 1982 年才在实验室外发表；1967 年，麦奎因首次使用“k-means”这一名称。[11][12] 更早的 1956 年斯坦豪斯、同期的考克斯以及 1967 年的鲍尔与霍尔也提出过相近的方案，因此 K 均值存在多个独立发现者。[13] 1965 年，福吉发表了本质相同的算法，这一方案有时被称作劳埃德-福吉算法。[11]
1982 年，科霍宁提出 自组织映射，把高维输入投影到低维的神经元格点上，使格点上彼此靠近的神经元对应相似的输入，成为最具代表性的无监督神经网络之一。[14][15] 同一时期，以能量函数描述的霍普菲尔德网络和玻尔兹曼机也得到发展。[8] 2008 年，去噪自编码器被提出，网络从被噪声污染的数据中恢复干净数据，借此学习变量之间的相关性。[8]
进入 21 世纪，深度生成模型与自监督方法成为重要方向，变分自编码器、生成对抗网络 以及对比学习等方法相继出现，在大规模文本上预训练的语言模型则把自监督学习推向主流。[1] 与此同时，也有研究对“无监督”这一名称提出商榷，认为多数被称作无监督的算法其实是以数据自身作为监督来源，而生成对抗网络等模型实际上获得了外部监督信息。[16]
应用
无监督算法广泛用于缺少标注数据的场合。[1] 常见用途包括商业智能中的客户细分与市场分析、金融交易与网络流量中的 异常检测 和欺诈识别、医学影像分析与基因组数据探索，以及 自然语言处理 中的主题建模与词向量学习。[1]
推荐系统 中的协同过滤也建立在无监督思路上；在传感网络与存储系统中，这类方法可用于压缩数据、缩减规模。[1] 当标注数据稀少或获取成本高昂时，无监督方法既能作为监督任务的前置环节，也能独自承担分析任务。[1]
在科学研究中，无监督方法被用来从复杂数据里提取模式。有文献介绍了用这类算法分析包含多达 1000 万个原子的分子动力学模拟，以描述材料凝固初期的均匀成核过程。[17] 自编码器给出的压缩表示常用于特征提取，自组织映射则多用于数据的可视化呈现。[8][14]
在信号处理中，当多个声源同时被多个麦克风接收时，可以用统计方法把混合信号分离，这属于无监督学习的源分离任务。[5] 实践中的例子还包括把文档按内容归并成类，以及对企业运维告警信息自动分组。
局限
无监督算法最突出的困难在于结果难以评价。由于没有标签充当标准，模型在训练时无法判断自己学到的结构是否正确，只能依靠内部准则或领域知识来判断输出是否合理。[18][4]
具体算法另有各自的短板。K 均值需要事先指定簇的个数，只能发现近似球形、规模相近的簇，簇中心取算术平均使结果容易受离群点影响，而且迭代只保证局部最优。[19][6] 层次聚类 在多数实现中一旦完成合并或分裂就无法撤销，处理时间也偏长；密度聚类 在高维数据上表现不佳。[19]
以逐层贪心方式训练的模型缺少全局优化目标，层数增加时性能提升有限，在部分任务上不如监督学习。[20] 无监督方法的有效性通常依赖输入数据存在冗余，结果的解释也依赖所设定的结构假设。[4] 当数据规模增大时，聚类与降维的计算代价成为主要约束。[3]
关于这一名称本身也存在讨论。有研究主张所有机器学习都在一定范围内受到监督，只有以数据自身作为监督来源的算法才算无监督，并据此认为生成对抗网络等模型实际上获得了外部监督信息。[16]
参见
参考资料
- Unsupervised learning | IEEE Technology Navigator . ieee.org [引用日期2026-09-29]
- taylorfrancis.com 上的网页 . taylorfrancis.com [引用日期2026-09-29]
- Science Magazine - July 17, 2015 . sciencemagazinedigital.org [引用日期2026-09-29]
- cambridge.org 上的网页 . cambridge.org [引用日期2026-09-29]
- unsupervised-machine-learning-introduction . aaas.org [引用日期2026-09-29]
- CHAPTER 12 . mit.edu [引用日期2026-09-29]
- Statistics and ML – 2 . infn.it [引用日期2026-09-29]
- Unsupervised Technique - Chapters and Articles . sciencedirect.com [引用日期2026-09-29]
- Making sense of big data | PNAS . pnas.org [引用日期2026-09-29]
- springer.com 上的网页 . springer.com [引用日期2026-09-29]
- **CSC 721 Algorithms Fall 2017** . wfu.edu [引用日期2026-09-29]
- 第5章 . tsinghua.edu.cn [引用日期2026-09-29]
- Talk 1 . iapr.org [引用日期2026-09-29]
- Fundamentals of AI . ihes.fr [引用日期2026-09-29]
- Superposition-based order analysis in self-organizing maps . ieee.org [引用日期2026-09-29]
- Is ‘Unsupervised Learning’ a Misconceived Term? . arxiv.org [引用日期2026-09-29]
- Unsupervised Learning . ieee.org [引用日期2026-09-29]
- [科普中国]-无监督式学习网络 . kepuchina.cn [引用日期2026-09-29]
- Diss_Redlich(PDF) . uni-due.de [引用日期2026-09-29]
- [科普中国]-无监督训练 . kepuchina.cn [引用日期2026-09-29]
浏览次数：0 次
阅读量：0 次 · 阅读完成量：0 次
最近更新：2026-09-29T12:15:05Z
完成率 = 阅读完成量 ÷ 阅读量，分母是阅读量不是浏览次数 —— 关了 JS 的、秒退的都在浏览次数里、不在阅读量里。 详细口径在后台的「数据统计」页。