最近整理公司客户数据时，发现一堆用户行为记录杂乱无章：登录时间、浏览页面、停留时长全混在一起。没人给标签，也不知道该归到哪一类。这时候，有同事提了一句：试试无监督学习？
没有标签也能干活
机器学习常被当成“分类工具”，比如判断邮件是不是垃圾邮件。但现实里更多情况是——压根没有现成答案。无监督学习就是干这个的：从混乱中找规律。
在数据库场景下，我们常面对大量未标注的日志、交易记录或用户行为数据。传统方式得靠人肉分析字段关联，效率低还容易漏。而像聚类这样的无监督方法，能自动把相似的数据分组。
K-means遇上用户画像
举个例子，某电商平台想做用户分层，但又不想按年龄或地域这种固定维度切。他们用了K-means算法跑订单数据，结果系统自己分出了五类人群：高频低价买家、低频高价囤货党、周末活跃型、工作日午休下单族、几乎不回购的新客。
这些群体原先藏在千万条记录里，没人意识到它们存在。现在反过来根据聚类结果反推运营策略，比拍脑袋精准多了。
降维让数据看得见
数据库字段一多就头疼。上百个指标堆着，连DBA都难理清关系。这时可以用PCA（主成分分析）这类降维技术，把高维数据压到二维或三维空间。
某银行风控团队处理信贷申请时，原始表有87个字段。用PCA处理后，只保留三个主成分就能解释85%的变异。再结合散点图一看，异常样本明显聚集在一角，人工复核效率翻倍。
from sklearn.cluster import KMeans
import pandas as pd
# 从数据库读取用户行为数据
data = pd.read_sql("SELECT user_id, login_freq, avg_duration, page_count FROM user_logs", connection)
# 构建特征矩阵
X = data[['login_freq', 'avg_duration', 'page_count']]
# 聚类为4组
kmeans = KMeans(n_clusters=4)
data['cluster'] = kmeans.fit_predict(X)
# 写回数据库供后续分析
data.to_sql('user_clusters', connection, if_exists='replace')这段代码跑完，数据库里就多了一张带分组标记的新表。业务部门可以直接拿来设计推送策略，不用再等分析师手动圈人。
异常检测防住脏数据
还有一个实用场景是数据清洗。某物联网项目每天收数百万条传感器记录，偶尔会有设备故障导致异常值混入。用孤立森林（Isolation Forest）这种无监督模型，能在无人工干预的情况下识别出离群点。
系统自动标出那些“不像正常数据”的条目，触发告警或进入待审核队列。比起设固定阈值，这种方式适应性更强，尤其适合动态变化的数据源。
其实很多数据库用户已经不知不觉用上了无监督学习。比如MySQL HeatWave就内置了自动聚类功能，Oracle Autonomous Database也能做异常检测。关键是别被术语吓住，它本质就是帮你在黑盒数据里点亮几盏灯。