是的，AutoML 可以支持无监督学习。 AutoML（自动化机器学习）框架旨在自动化机器学习管道的各个部分，包括算法选择、超参数调整和特征工程等任务。虽然 AutoML 通常与监督学习（例如，分类或回归）相关联，但许多工具也可以处理无监督任务，例如聚类、降维和异常检测。 这些框架通过自动测试多种算法和配置来简化流程，以找到处理未标记数据的最佳方法，从而减少了实验所需的手动工作。
例如，像 H2O 的 AutoML 和 Google 的 Vertex AI 这样的 AutoML 工具可以通过测试 K-means、DBSCAN 或高斯混合模型等算法来自动化聚类任务。 它们优化了诸如集群数量或距离度量之类的参数，这对于性能至关重要。 同样，可以自动执行诸如主成分分析 (PCA) 或 t-SNE 之类的降维技术，以识别信息量最大的特征或可视化高维数据。 像 Auto-Sklearn 和 TPOT 这样的工具通过与像 scikit-learn 这样的库集成，将它们的自动化扩展到无监督场景，从而使开发人员可以运行端到端实验而无需手动调整。 有些平台甚至将预处理步骤（例如，缩放、缺失值处理）与无监督建模相结合，从而简化了诸如客户细分或欺诈检测之类的任务的工作流程。
但是，无监督 AutoML 存在局限性。 由于无监督学习缺乏明确的评估指标（例如监督任务中的准确性），因此 AutoML 工具依赖于诸如聚类分析的轮廓系数或自编码器的重建误差之类的代理指标。 这些指标可能并不总是与业务目标相符，因此需要开发人员手动验证结果。 此外，解释无监督输出（例如，聚类含义）通常需要领域专业知识，而 AutoML 无法完全替代。 尽管如此，AutoML 仍显着加速了探索性分析，尤其是对于不熟悉高级无监督技术的开发人员而言。 通过自动化重复性任务，它可以更快地进行原型设计和假设检验，即使人类判断对于最终决策仍然至关重要。