Uczenie się bez nadzoru

Grupowanie grupuje przykłady według matematycznej reguły podobieństwa. Zasada ta zależy od cech, ich skalowania, algorytmu i jego ustawień. Grupa znaleziona na podstawie częstotliwości zakupów może różnić się od grupy znalezionej na podstawie preferencji produktowych. Nie ma automatycznej gwarancji, że którykolwiek z nich odpowiada przydatnej kategorii klienta. Redukcja wymiarowości przekształca zbiór pomiarów w mniejszą reprezentację. Może pomóc w wizualizacji, kompresji lub innym modelu. Dwuwymiarowy obraz odrzuca informację, dlatego odległości i pozorne luki na wykresie nie powinny być traktowane jako niepodważalny fakt dotyczący oryginalnych danych. Oceń stabilność, zmieniając rozsądne wybory dotyczące przetwarzania wstępnego lub pobierając próbki z różnych zapisów. Zbadaj przykłady reprezentatywne i graniczne. Wyniki wewnętrzne mogą porównywać grupowanie matematyczne, ale użyteczność należy oceniać w odniesieniu do rzeczywistego celu. Jeśli dla części danych istnieją etykiety, mogą one zapewnić dodatkową kontrolę zewnętrzną. Niezwykłe przykłady mogą być ważne, błędne lub po prostu różnić się od większości. Wynik dotyczący anomalii jest sygnałem do wszczęcia dochodzenia, a nie dowodem niewłaściwego postępowania lub postawienia diagnozy. Przed uruchomieniem detektora bez nadzoru ustal, co następuje po ostrzeżeniu.