À suivreGuide suivant
Perte de triplet et apprentissage métrique
Fondamentaux
GUIDE des fondamentaux
Apprentissage non supervisé
L’apprentissage non supervisé recherche une structure dans les données sans étiquette cible pour chaque exemple.
Écoutez ce guideNarré par l'IA · ~2 min
Sur cette page2 minutes de lecture
Aperçu
Les tâches courantes incluent le regroupement d’enregistrements similaires et la compression des mesures de haute dimension en moins de dimensions. Les motifs découverts nécessitent encore une interprétation et une validation.
Points clés à retenir
- Les motifs non identifiés ne sont pas explicites.
- Les caractéristiques et la mise à l’échelle influencent la similarité.
- Validez la stabilité et l’utilité pratique.
Plongée profonde
Le regroupement regroupe les exemples selon une règle de similarité mathématique. Cette règle dépend des caractéristiques, de leur mise à l’échelle, de l’algorithme et de ses paramètres. Un groupe trouvé à partir de la fréquence d’achat peut différer d’un groupe selon les préférences produit. Il n’y a pas de garantie automatique que l’un ou l’autre corresponde à une catégorie client utile. La réduction de dimensionnalité transforme un ensemble de mesures en une représentation plus petite. Elle peut aider à la visualisation, à la compression ou à un autre modèle. Une image bidimensionnelle élimine l’information, donc les distances et les lacunes apparentes dans un graphique ne doivent pas être considérées comme des faits incontestables concernant les données originales. Évaluer la stabilité en modifiant des choix raisonnables de prétraitement ou échantillonner différents des enregistrements. Examiner des exemples représentatifs et limites. Les scores internes peuvent comparer un groupe mathématique, mais leur utilité doit être jugée par rapport à l’objectif réel. Si des étiquettes existent pour une partie des données, elles peuvent fournir une vérification externe supplémentaire. Des exemples inhabituels peuvent être importants, erronés ou simplement différents de la majorité. Un score d’anomalie est un signal d’investigation, non une preuve d’inconduite ou de diagnostic. Établissez ce qui suit une alerte avant de déployer un détecteur non supervisé.
04Exemple travaillé
Voyez comment l’échelle des caractéristiques modifie la similarité
Imaginez deux records différenciant d’une visite et de 1 000 dollars de dépenses. La distance euclidienne brute est dominée par la différence en dollars.
Mettez chaque caractéristique à l’échelle à l’aide des statistiques adaptées au jeu de données de référence, puis comparez à nouveau les voisins.
Vérifiez si les groupes résultants sont stables et utiles pour la tâche proposée avant de les nommer.
Ce que ça montre
Cet exemple construit explique un choix de modélisation ; il n’établit pas de méthode universelle de regroupement.
Mise en œuvre dans le monde réel
Des documents groupés pour qu’un bibliothécaire puisse les examiner et les nommer.
Visualisez les mesures des capteurs tout en conservant l’accès aux dimensions d’origine.
Le mettre en pratique
Pourquoi c'est important
- Décisions plus claires. Il vous aide à séparer les affirmations techniques claires du langage marketing.
- Coût et budget. Vous pouvez poser de meilleures questions de mise en œuvre avant de dépenser de l'argent ou du temps.
- Équipe et flux de travail. Les équipes partageant une compréhension commune prennent de meilleures décisions en matière de produits, de politiques et d’apprentissage.
Attention à
- Différentes équipes peuvent utiliser le même terme différemment, alors définissez la portée dès le début.
- Les benchmarks peuvent paraître solides alors que les performances réelles sont inégales.
- Ignorer la qualité des données et les plans d’évaluation crée souvent des résultats fragiles.
Prochaines étapes
- Commencez par une définition en langage simple du résultat dont vous avez besoin.
- Choisissez une mesure de réussite et une condition d’échec avant de tester.
- Exécutez un petit pilote avec des données représentatives, pas un ensemble de démonstration raffiné.
- Documentez où l'apprentissage non supervisé est utile et où les méthodes plus simples sont meilleures.
Sources et lectures complémentaires
- scikit-learnApprentissage non supervisé
Continuez à explorer
Newsletter gratuite
Recevez le briefing quotidien sur l'IA
Trois histoires d'IA vérifiées chaque matin de la semaine, écrites dans un anglais simple. Gratuit pour toujours, sans publicité.
Un e-mail chaque jour de la semaine. Désabonnez-vous en un clic. Nous ne vendons ni ne partageons jamais votre adresse.
Testez-vous
Take the Unsupervised Learning quiz
Commentaires instantanés sur chaque réponse et un certificat partageable avec une pièce d'identité vérifiable une fois que vous avez réussi un cours.
Soutenez l’enseignement gratuit de l’IA. AI Understanding est une organisation à but non lucratif 501(c)(3) : pas de publicité, pas de paywall, jamais. Faire un don
Questions fréquemment posées
L’apprentissage non supervisé découvre-t-il les vraies catégories ?
Elle trouve la structure sous des hypothèses particulières. Les groupes résultants peuvent ou non correspondre à des catégories significatives pour l’application.
Continuez à apprendre
Guides associés
Plus de guides sélectionnés pour ce sujet