Unsupervised Learning

Unsupervised Learning 是在沒有標籤資料的情況下，探索資料內在結構的一種學習方法。其目的是發現樣本間的潛在模式、群組或表示方式，常應用於探索性資料分析與特徵壓縮。

---

1. 主要任務類型

A. 聚類（Clustering）

• 將資料自動劃分為數個群集

• 常見應用：顧客分群、影像分類前處理、生物分型

B. 降維（Dimensionality Reduction）

• 將高維資料壓縮為低維度空間，保留主要資訊

• 常見應用：視覺化、特徵預處理、雜訊過濾

C. 關聯規則學習（Association Rule Learning）

• 發掘資料中的共現關係（如購物籃分析）

• 常見應用：推薦系統、關聯性行銷

---

2. 常見演算法

聚類

• K-Means

• Hierarchical Clustering（階層式）

• DBSCAN（密度為基礎）

• Gaussian Mixture Model (GMM)

降維

• PCA（主成分分析）

• t-SNE

• UMAP

• Autoencoder（神經網路型態）

關聯規則

• Apriori

• FP-Growth

---

3. 使用場景

• 沒有標籤資料可供訓練時（如新資料探索）

• 特徵太多，需先降維再餵入監督模型

• 需進行資料壓縮或視覺化呈現

---

4. 聚類模型評估指標

由於沒有「真實標籤」，常用以下內部評估指標：

• Silhouette Score

• Davies-Bouldin Index

• Calinski-Harabasz Index

• 可視化：降維後觀察分群分布

---

5. 工具與套件

• scikit-learn: 提供大部分非監督模型與評估工具

• umap-learn, tsne, hdbscan: 進階降維與分群工具

• mlxtend: 關聯分析（Apriori, FP-Growth）

---

6. 延伸子章節

• Clustering/KMeans.md

• Clustering/DBSCAN.md

• Dimensionality Reduction/PCA.md

• Dimensionality Reduction/tSNE.md

---

Unsupervised Learning 是資料分析的重要起點，適合在對資料未知或無標註的情況下挖掘潛在規律，也常作為監督式學習的前置處理步驟。