名词解释 / 07
非监督学习
英文名称：Unsupervised Learning 常见别名：无监督学习、无监督式机器学习 所属分类：进一步了解 AI 原理
一句话解释
非监督学习是让 AI 在没有"正确答案标注"的数据里自己找规律的方法。没有人事先告诉它哪条记录对应什么问题，它只按数据本身的相似程度自动分组，或把少数明显偏离常规的记录挑出来，回答的是"这一堆数据里藏着什么结构"这类问题。
工作中什么时候会遇到
当你在软件里看到"智能分组""异常提醒""客户分群"这类功能时，背后往往就是非监督学习。比如把几千条没有分类的客户反馈自动归成几堆、把报销记录里金额明显异常的挑出来、把一批产品检测数据按相似性分组——这些数据事先没有人逐条标注过"这是哪类问题"，只能靠算法自己找规律。普通员工一般不会直接看到"非监督学习"这个名称，只会看到它产出的分组、画像或告警。
这类分析能力正在逐步内置到办公和业务软件中，例如 WorkBuddy、千问办公等产品提供的智能分析功能；是否支持、支持到什么程度，以当前版本和官方说明为准。
能解决什么问题
- 把从没分类过的数据自动分群，省去大量人工逐条整理的时间。
- 提前暴露少数异常：设备运行、费用报销、销售数据里偏离常规的记录会被先标出来，供人进一步排查。
- 帮助发现事先没注意到的结构或关联，比如某类客诉集中在特定区域或时间段。
- 降低整理和起步成本：机器先粗分，人只负责核对、命名和决定下一步，不必一开始就准备大量人工标注的数据。
- 为进一步的学习打基础：先靠它摸清数据结构，再挑少量有代表性的记录做标注，供其他方法使用。
举个例子
某公司的售后系统里存着几千条没有分类标签的客户反馈，人工逐条整理成本太高。数据分析人员把这些反馈文本送入非监督聚类，AI 不参考任何"这是质量投诉还是物流投诉"的示例，只按描述像不像自动把它们分成若干组。输出是几堆反馈，每堆附上高频词：一堆总出现"包装破损"，另一堆总出现"响应慢"。此时出现人工确认点：售后主管抽查每堆的原始记录，确认它确实对应一个真实问题，再给它命名、定处理优先级；对分得太粗或太碎的组，调整参数后重新分一次。
怎么使用
普通员工不需要自己搭建算法。多数情况下，直接用软件里现成的"智能分组""异常提醒"功能，把数据交给它，把精力放在检查结果是否合理、给分组命名、决定下一步动作上。是否提供这类功能，以当前版本和官方说明为准。
由于非监督学习的结果没有标准答案可以自动验证，通常需要懂数据的人来配置：由数据分析人员或产品供应商的实施工程师选择算法、设定分组数量、调整异常判定阈值，再和业务人员反复确认分组是否有实际意义。业务人员的任务是提供真实数据、解释结果的业务含义，判断"这一组对应的是不是真问题"。
使用时要注意什么
非监督学习只负责"像不像"，不负责"对不对"。它从没见过任何标准答案，几乎任何数据它都能强行分成几组，所以分出来的组未必对应真实问题，必须由人来判断含义、命名并决定处理方式，不能照单全收。分几类、多敏感算异常，这些参数都是人设定的，参数不同结果可能差别很大。
还要留意三点：原始数据口径不一致时（比如同一家供应商在不同月份记录名称不同），机器可能把这种记录差异当成"规律"；算法标出异常只是提示线索，不等于查明原因，仍需逐条核实；对"无需标注、全自动、零人工"这类宣传要保持警惕，实际落地都离不开人工设定参数和验收结果。
容易混淆的词
- 监督学习：喂给 AI 的数据带"正确答案"标注（比如一批已标好"合格／不合格"的样品），算法学习从输入推断出结果；非监督学习没有标注，自己找结构。
- 半监督学习：少量数据带标注、大量数据不带，用少数标签辅助整体分组，介于监督和非监督之间，不是完全没有对错信息。
- 聚类：把相似的数据自动归组，是非监督学习里最常见的一类任务；但非监督学习不止聚类，还包括异常检测、降维等。
- 异常检测：专门找出"少数明显不对劲的数据"的任务，常和非监督学习同时出现；它是具体用途，不是非监督学习的全部。