5.3.1 无监督学习路线图：没有标签时寻找结构
无监督学习从“数据没有标签”开始。模型不会告诉你最终真相，它只是帮助你发现可能存在的结构。
先看结构地图
| 如果你想... | 先用... |
|---|---|
| 找自然分组 | 聚类 |
| 压缩高维数据 | 降维 |
| 找异常点 | 异常检测 |
关键问题不是“标签对不对”，而是“这个结构有没有证据、有没有意义”。
跑一个聚类 baseline
创建 unsupervised_first_loop.py，安装 scikit-learn 后运行。
from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs
X, _ = make_blobs(n_samples=30, centers=3, random_state=7, cluster_std=0.8)
model = KMeans(n_clusters=3, random_state=7, n_init="auto")
labels = model.fit_predict(X)
print("cluster_count:", len(set(labels)))
print("first_five_labels:", labels[:5].tolist())
print("inertia:", round(model.inertia_, 2))
预期输出：
cluster_count: 3
first_five_labels: [2, 0, 0, 1, 0]
inertia: 43.44
聚类给的是组编号，不是人的解释。你还需要图表、特征汇总和业务解释。
按这个顺序学
| 顺序 | 阅读 | 练什么 |
|---|---|---|
| 1 | 5.3.2 聚类 | K-Means、聚类解释、错误的簇数选择 |
| 2 | 5.3.3 降维 | PCA、可视化、压缩 |
| 3 | 5.3.4 异常检测 | 离群点、阈值、告警证据 |
通过标准
能解释你想寻找哪种结构，能跑一个无监督模型，并写出一句谨慎解释，而不是把输出当成绝对真相，就算通过。