无监督学习是一组工具，您可以将这些工具用于多种用途。

有时，它只是用于数据可视化/数据探索（例如，参见 UMAP），以更好地理解问题并了解如何解决它。有时它会导致业务决策，例如为特定集群构建流程或为特定集群构建子模型。

有时它有助于处理数据科学的子问题，例如异常值识别（例如，参见 Hdbscan 或隔离森林）。如何处理这些异常值取决于您的业务案例。

有时它有助于定义中间“目标”以执行半监督或监督学习，例如使用一些自组织的地图，识别一个集群并将该集群用作目标。当您不确定是否已确定所有积极目标或不想标记所有内容时，它会有所帮助。

两者都可以，意思是

a)寻找监督学习来增强我的数据洞察力

b)作为一个人/团队/委员会做出决定，根据这些决定做某些事情

这意味着什么？

在 a) 的情况下，您可以将无监督学习视为表示学习——这意味着您学习数据的最佳量化表示，然后在最后，即例如最后一层，您添加一个输出神经元以产生二进制分类。比您重新训练（显然需要标签）您的“无监督学习网络”来调整它以进行分类

b) 例如，您分析无监督任务的集群。您可以在其中构建一个系统以将输入数据排序到这些集群中，并且您可以分析关系（这不需要标签，这显然只是无监督方法的一个示例）