非監督式學習：分群與降維

前面每一課都有「答案 y」可學。但真實世界常常沒有標籤——只有一堆資料，要自己找出結構。這就是非監督式學習的舞台。

這堂課你會學到

• 用 KMeans 把沒有標籤的資料自動分群
• 用「手肘法」挑選分群數 K
• 用 PCA 降維，把高維資料視覺化在平面上
• 理解 explained_variance_ratio_——每個主成分保留了多少資訊

結構會自己浮現

預覽圖把 4 維的鳶尾花用 PCA 壓到 2D，再依 KMeans 的分群上色。神奇的是：KMeans 完全沒看過答案，分出來的群卻幾乎對應到真實品種。

這就是非監督式學習的魅力——不靠標籤，純粹從特徵的分布找規律。PCA 則是它的最佳拍檔：前 2 個主成分就保留了約 96% 的資訊，讓你能把高維資料攤在平面上看清楚，無論是探索資料還是加速後續模型都很有用。

👉 在 Colab 裡把 n_clusters 改成 2 或 4，看 PCA 圖上的分群怎麼變；再用手肘法驗證 K=3 是不是真的最合適。