🎯 博主简介
CSDN 「新星创作者」 ，人工智能技术领域博主，码龄 5 年 ，累计发布
190+ 篇原创文章，博客总访问量30万+浏览。
🚀 持续更新 AI 前沿实战知识，专注于 AI 技术实战、RAG 系统、Agent 应用开发与大模型工程化落地。目前主要更新方向包括：
- 🦞 最新 OpenClaw 教程 ---从入门到精通｜AI 智能助手/自动化/Skills 实战（原 Clawdbot/Moltbot）
- ✨ Agent 记忆系统 --- 长期记忆、上下文管理与个性化智能体设计
🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥以下系列正在火热更新中🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥- 📘 图解机器学习合集 --- 用图解方式系统梳理机器学习核心概念，持续更新中
同时也会持续分享 AI 编程、Java 后端、Spring 生态、Transformer、大模型基础、计算机视觉 等方向内容，内容会尽量结合自己的学习记录、项目实践和踩坑经验来整理。
📱GZH：安逸Ai(科技前沿新闻，Github热门项目，最新免费资料...)- 网页观看完整系列合集：🌐 Anyi AI 学习资源站
聚类和降维：没有标签时机器学习怎么工作？
你用决策树预测了一堆数据，效果还不错。但你有没有想过：那些预测结果其实都依赖一个前提------你得先告诉机器"正确答案是什么"。
问题来了。
现实里，大部分数据根本没有答案。电商平台有几亿用户的浏览记录，但没人给这些记录标注"这是冲动型消费者"或"这是理性比价党"。医院有大量CT影像，但医生根本没时间一张张标注有没有肿瘤。
没有标签，机器怎么学习？
这就是无监督学习要回答的问题。今天聊两个最核心的技术：聚类和降维。
聚类是什么------自己发现规律的分类
先把"聚类"和"分类"区分清楚。
分类是有老师的：你告诉机器，这张图是猫、那张图是狗，机器学着区分。聚类没老师：一堆数据扔进去，机器自己看哪些长得像，把它们归成一组。
像不像你小时候玩彩色珠子？
一盘五颜六色的珠子混在一起，没人告诉你"这是红色、这是蓝色"。但你自然会发现：这几颗看起来都是一个色系的，那几颗又是另一个色系。
聚类就是这个道理。算法按相似度把数据分组，组内相似，组间不同。它自己摸索出了数据的内在结构。
K-Means------最经典的聚类算法
说到聚类，必须提K-Means。它几乎是入门必学的算法，简单又好用。
原理是这样的：
第一步，随机选K个点作为"中心"。
第二步，每个数据点找到离自己最近的中心，划归到那个中心代表的组。
第三步，每组重新计算自己的中心------就是组内所有点的平均值。
第四步，重复第二步和第三步，直到中心不再动为止。
听起来有点绕？换个场景理解。
想象幼儿园老师要分座位。先随便指定几个小朋友当"小队长"，其他小朋友分别站到最近的小队长旁边。然后，每个小队长看看自己队里都站了谁，调整一下自己的站位（走到大家的正中间）。其他小朋友再看看现在哪个队长最近，重新排队。这个"排队---调位置"的过程一直重复，直到没人再换队为止。
这就是K-Means在做的事。
但这里有个问题：K是多少？
你得提前告诉算法"我想把这堆数据分成几组"。选多了，每个组太细碎；选少了，组内混进了不该混的东西。
这个K值怎么定？没有标准答案。通常要跑多次、比较效果，结合业务理解来选。比如你要给客户分群，先想清楚"我需要几个有意义的客户类型"。
其他聚类方法------不是所有数据都长得像球
K-Means有个局限：它擅长发现"球状"的簇。就是那种差不多圆溜溜的数据群体。
但现实数据不都是圆的。
比如社交网络里，用户之间的联系可能形成各种奇怪的形状。K-Means硬套上去，效果就差。
这时候可以看看其他算法。
层次聚类像整理书架。它先把每本书当成一类，然后每次把最像的两类合并，层层往上，最后形成一棵树。
这个树叫"族谱图"。你想分多细就切到哪一层。要不要分大类、中类、小类，切的位置不同，结果就不同。这种灵活性是K-Means没有的。
DBSCAN是另一种思路。它基于密度------哪块儿数据点扎堆，就算一个簇；零星几个点落单的，算异常点。
想象在一锅粥里找米粒聚集的区域。密度高的地方就是一团米粒，密度低的缝隙把它们分开。
DBSCAN厉害的地方在于：它能找到任意形状的簇，还能自动发现"噪音"。
选哪个算法？看你数据的形状。没有万能钥匙。
降维------给高维数据瘦身
说完了聚类，再聊另一个无监督学习的核心能力：降维。
什么是维？就是你描述一个东西需要几个数字。
一件衣服，用"价格"一个维度描述，是1维。用"价格、尺码、颜色"三个维度描述，是3维。
现在数据动不动就几百维、上千维。一个28×28像素的灰度图，有784个像素，每个像素一个数值。你要处理一万张这种图，就是78400个维度。
人脑根本没法直观理解78400维空间。降维干的事，就是把这些高维数据压缩到2维、3维------人能看懂的维度。
但不是随便压缩。
想象你给一个3D物体拍照，变成2D照片。会丢失信息对吧？但你肯定能认出拍的是什么。说明照片保留了最关键的特征。
降维就是这个思路：扔掉不重要的信息，保留最能区分数据特点的那些方向。
PCA------主成分分析------是最常用的降维方法。
它的核心思想是：找到数据变化最大的那个方向，作为第一主成分。然后在垂直于它的方向上，找变化第二大的，作为第二主成分。以此类推。
你可以理解为：先抓住最明显的变化趋势，再处理次要的变化。
把数据投影到这些主成分上，维度就降下来了。原来100维的数据，保留前10个主成分，可能保留了95%的信息。
聚类和降维怎么用
说了这么多，它们在真实场景里有什么用？
客户分群是最常见的应用。淘宝根据用户的浏览、购买、收藏记录，把用户自动分成"省钱党""品质控""跟风族"等群体。没人提前标注这些标签，是算法自己发现的。我之前做用户分析的时候，用K-Means跑了三天，调了十几轮参数，最后分出6个用户群，其中有个"深夜剁手党"群体特别有意思------凌晨下单率是其他群体的3倍。
图像处理也离不开这两个技术。一张图片有几十万个像素，每个像素一个数值，高维得可怕。降维可以压缩图像，聚类可以分割图像------把相似区域归成一组。OCR识别、图像搜索背后都有它们的身影。
生物信息学里，基因表达数据动不动就几万个基因。降维帮助找到主要的基因表达模式，聚类把功能相似的基因归在一起。这能帮科学家发现哪些基因可能协同工作。2020年新冠研究里，就有团队用聚类分析发现了不同症状患者的基因表达特征差异。
数据可视化是降维最直接的价值。把几百维的数据降到2维或3维，画成散点图，人就能直观看出数据分布、发现异常点、识别聚类结构。做探索性数据分析必备这一步。
写在最后
整个系列到这里就结束了。从最基础的概念到前沿的应用，我们走过了机器学习最核心的知识地图。
有标签的数据永远是少数。大部分数据是沉默的、没有答案的。聚类和降维教机器在沉默中发现结构，在没有指引的情况下摸索规律。
这其实很像人类的学习方式。没人手把手教你怎么做人，但你通过观察、比较、归纳，慢慢理解了这个社会的规则。无监督学习，就是让机器也具备这种能力。
剩下的，就交给实践了。去跑几个模型、做几个项目，你会发现：懂了原理，踩坑都会踩得更明白。