无监督学习

根据未知类别（没有被标记）的训练样本解决模式识别中的各种问题，称为无监督学习（unsupervised learning，UL）。

现实生活中的问题是，对于一些需要分类的事务缺乏足够的认知经验或先验知识时，将无法对这些事务或特征进行分类决策。如病理诊断中新发现或罕见疾病的分类诊断决策，此时需要从基于以往在疾病建立的认知中去寻找类似答案并建立该疾病的相关特征，传统的人工方法的积累、鉴别和分类标注，不仅费时费力，过程漫长，由于对此类疾病缺乏以往的认知经验而无法实现。另外，其他领域的一些数量庞大的分类任务靠人工处理不仅成本巨大，而且效率低下。

此时，如果计算机能够代替人工完成哪怕是部分工作，或至少提供一些辅助方法，也能缓解或减少人工作业的压力。因此，人们常常希望计算机能够在这些工作任务中发挥这样几种作用：从庞大的样本集群中筛选出一些具有代表性特征的样本加以标注并用于分类器的训练；或者计算机先将所有样本集群自动分为不同的类别，再由人工对这些类别进行标注分析；如果在无显著类别信息情况下，能够寻找出具有显著代表性的特征。

UL是在不需要“地面真实”的情况下识别数据集中的自然属性分类，常用的方法有聚类分析和模式匹配等。具有相似属性的图像识别或肿瘤亚型归类等都属于无监督机器学习的范畴。