СледваСледващо ръководство
Загуба на тройка и научаване на метрика
Основи
РЪКОВОДСТВО по основи
Учене без надзор
Неконтролираното обучение търси структура в данните без целеви етикет за всеки пример.
Чуйте това ръководствоAI-разказан · ~2 min
На тази страница2 минути четене
Преглед
Често срещаните задачи включват групиране на подобни записи и компресиране на измервания с големи размери в по-малко измерения. Откритите модели все още се нуждаят от тълкуване и валидиране.
Основни изводи
- Немаркираните модели не се обясняват сами по себе си.
- Характеристиките и мащабирането засягат сходството.
- Валидирайте стабилността и практическата полезност.
Дълбоко гмуркане
Групиране на примери за групиране според правило за математическо сходство. Това правило зависи от функциите, тяхното мащабиране, алгоритъма и неговите настройки. Група, намерена от честотата на покупките, може да се различава от тази, намерена от предпочитанията на продукта. Няма автоматична гаранция, че отговаря на полезна клиентска категория. Намаляването на размерността трансформира колекция от измервания в по-малко представяне. Може да помогне за визуализация, компресия или друг модел. Двуизмерната картина отхвърля информация, така че разстоянията и видимите празнини в графиката не трябва да се третират като неоспорими факти относно оригиналните данни. Оценете стабилността, като промените разумните избори за предварителна обработка или вземете проби от различни записи. Разгледайте представителни и гранични примери. Вътрешните резултати могат да сравнят математическо групиране, но полезността трябва да се преценява спрямо истинската цел. Ако съществуват етикети за част от данните, те могат да предоставят допълнителна външна проверка. Необичайните примери могат да бъдат важни, грешни или просто различни от повечето. Резултатът за аномалия е сигнал за разследване, а не доказателство за неправомерно поведение или диагноза. Установете какво следва предупреждение, преди да разположите неконтролиран детектор.
04Работен пример
Вижте как мащабът на характеристиките променя сходството
Представете си два рекорда, които се различават с 1 посещение и 1000 долара разходи. Суровото евклидово разстояние е доминирано от разликата в долара.
Мащабирайте всяка функция, като използвате статистически данни, монтирани в референтния набор от данни, след което сравнете съседите отново.
Проверете дали получените групи са стабилни и полезни за посочената задача, преди да ги наименувате.
Какво показва
Този конструиран пример обяснява избор на моделиране; той не установява универсален метод за групиране.
Внедряване в реалния свят
Групирайте документи, които библиотекар да прегледа и наименува.
Визуализирайте сензорните измервания, като запазвате достъп до оригиналните размери.
Прилагайки го на практика
Защо има значение
- По-ясни решения. Помага ви да отделите ясните технически твърдения от маркетинговия език.
- Разходи и бюджет. Можете да задавате въпроси за по-добро внедряване, преди да харчите пари или време.
- Екип и работен процес. Екипи със споделено разбиране вземат по-добри решения за продукти, политики и обучение.
Внимавайте за
- Различните екипи могат да използват един и същи термин по различен начин, така че дефинирайте обхвата рано.
- Бенчмарковете могат да изглеждат силни, докато производителността в реалния свят е неравномерна.
- Пренебрегването на качеството на данните и плановете за оценка често създава крехки резултати.
Следващи стъпки
- Започнете с дефиниция на обикновен език за резултата, от който се нуждаете.
- Изберете един показател за успех и едно условие за неуспех преди тестване.
- Изпълнете малък пилотен проект с представителни данни, а не изпипан демонстрационен набор.
- Документирайте къде неконтролираното обучение помага и къде по-простите методи са по-добри.
Източници и допълнителна литература
- scikit-learnУчене без надзор
Продължете да изследвате
Безплатен бюлетин
Получавайте дневния AI бюлетин
Три проверени AI истории всяка делнична сутрин, написани на достъпен език. Безплатно завинаги, без реклами.
Един имейл всеки делничен ден. Отписване с едно кликване. Никога не продаваме и не споделяме вашия имейл адрес.
Тествайте себе си
Take the Unsupervised Learning quiz
Незабавна обратна връзка за всеки отговор и сертификат за споделяне с подлежащ на проверка идентификационен номер, след като преминете курс.
Подкрепете безплатното AI образование. AI Understanding е 501(c)(3) с нестопанска цел — без реклами, без платен достъп, никога. Направете дарение
Често задавани въпроси
Ученето без надзор открива ли истинските категории?
Той намира структура при определени предположения. Получените групи могат или не могат да съответстват на значими категории за приложението.
Продължавай да учиш
Свързани ръководства
Още ръководства, избрани за тази тема