语言：中文 最后更新：2026-07-14 本页：无监督模型总览 English: English
statgpu.unsupervised 提供降维、聚类、密度聚类、混合模型、非负矩阵分解、manifold embedding 和近似最近邻搜索相关 estimator。API 沿用 fit、transform、predict、fit_predict 和 score 风格。
| Estimator | 主要用途 | 核心准则 |
|---|---|---|
| PCA | 线性降维 | 最大化投影方差 / 最小化 rank-k 重构误差 |
| KMeans | 原型聚类 | 最小化 squared Euclidean inertia |
| DBSCAN | 带噪声的密度聚类 | Density reachability 和 connected components |
| GaussianMixture | 概率软聚类 | 使用 EM 最大化 Gaussian mixture log likelihood |
| NMF | 非负 parts-based 分解 | 在非负约束下最小化 Frobenius 重构误差 |
| AgglomerativeClustering | 层次聚类 | 贪心 linkage 合并 |
| TruncatedSVD | 不中心化低秩投影 | 最小化 rank-k dense 重构误差 |
| MiniBatchKMeans | 较大规模原型聚类 | 使用 mini-batch 更新近似最小化 inertia |
| IncrementalPCA | 分批线性降维 | 近似 centered rank-k 重构 |
| MiniBatchNMF | 较大规模非负矩阵分解 | Mini-batch Frobenius 重构损失 |
| UMAP | Manifold embedding | Fuzzy graph cross-entropy |
| NNDescent | 近似最近邻搜索 | 迭代邻居候选优化 |
| TSNE | Manifold visualization | Affinity 分布之间的 KL divergence |
多数无监督 estimator 提供 device="auto"、"cpu"、"cuda" 和 "torch"，并遵循项目统一设备规则。显式 GPU device 要么在对应后端运行，要么给出清晰错误；不应静默回退到 CPU。部分算法的设备支持范围更窄，使用前请查看逐模型页面。
稠密无监督估计器共享后端感知的 finite-input 检查。NaN/Inf 会在 SVD、特征分解、 距离计算或迭代更新前被拒绝，从而返回稳定的公共错误，而不是各算法不同的底层异常。
无监督 estimator 通常不提供 standard errors、p-values、confidence intervals、AIC 或 BIC 等统计推断字段，除非模型本身自然定义这些量。因此这部分文档重点说明算法目标、exact 与 iterative 行为、设备支持和输出语义。