Unüberwachtes Lernen

Beim Clustering werden Beispiele nach einer mathematischen Ähnlichkeitsregel gruppiert. Diese Regel hängt von den Funktionen, ihrer Skalierung, dem Algorithmus und seinen Einstellungen ab. Eine anhand der Kaufhäufigkeit ermittelte Gruppe kann sich von der anhand der Produktpräferenzen ermittelten Gruppe unterscheiden. Es gibt keine automatische Garantie dafür, dass einer der beiden Anbieter einer sinnvollen Kundenkategorie entspricht. Durch die Dimensionsreduktion wird eine Sammlung von Messungen in eine kleinere Darstellung umgewandelt. Es kann bei der Visualisierung, Komprimierung oder einem anderen Modell helfen. Ein zweidimensionales Bild verwirft Informationen, daher sollten Entfernungen und scheinbare Lücken in einem Diagramm nicht als unbestreitbare Fakten über die Originaldaten behandelt werden. Bewerten Sie die Stabilität, indem Sie sinnvolle Vorverarbeitungsoptionen ändern oder verschiedene Datensätze testen. Untersuchen Sie repräsentative und grenzwertige Beispiele. Interne Bewertungen können eine mathematische Gruppierung vergleichen, aber der Nutzen muss anhand des tatsächlichen Zwecks beurteilt werden. Wenn für einen Teil der Daten Labels vorhanden sind, können diese eine zusätzliche externe Prüfung ermöglichen. Ungewöhnliche Beispiele können wichtig, falsch oder einfach nur anders als die Mehrheit sein. Ein Anomalie-Score ist ein Signal zur Untersuchung, kein Beweis für Fehlverhalten oder eine Diagnose. Legen Sie fest, was auf eine Warnung folgt, bevor Sie einen unbeaufsichtigten Detektor einsetzen.