Uczenie nienadzorowane
Zaktualizowano:
Uczenie nienadzorowane to typ uczenia maszynowego, w którym algorytm analizuje dane bez wcześniej przypisanych etykiet. Jego celem jest odkrywanie ukrytych wzorców, struktur lub relacji w zbiorze danych, takich jak grupowanie podobnych punktów danych.
W uczeniu nienadzorowanym algorytm otrzymuje wyłącznie surowe dane wejściowe, bez żadnych informacji o prawidłowych wynikach czy kategoriach. W przeciwieństwie do uczenia nadzorowanego, gdzie model uczy się na podstawie par wejście-wyjście (np. zdjęcie kota i etykieta 'kot'), tutaj nie ma 'nauczyciela' wskazującego poprawne odpowiedzi.
Główne zadania uczenia nienadzorowanego to:
- Klasteryzacja (grupowanie): Dzielenie zbioru danych na grupy (klastry) w taki sposób, aby obiekty w tej samej grupie były do siebie bardziej podobne niż do obiektów z innych grup. Przykładem jest segmentacja klientów na podstawie ich zachowań zakupowych.
- Redukcja wymiarowości: Zmniejszanie liczby zmiennych (cech) w zbiorze danych przy jednoczesnym zachowaniu jak największej ilości istotnych informacji. Pomaga to w wizualizacji danych, usuwaniu szumu i przyspiesza działanie innych algorytmów. Przykładem jest analiza głównych składowych (PCA).
- Wykrywanie anomalii: Identyfikowanie punktów danych, które znacząco odbiegają od większości danych, co może wskazywać na błędy, oszustwa lub nietypowe zdarzenia.
Uczenie nienadzorowane jest szczególnie przydatne, gdy etykietowanie danych jest kosztowne, czasochłonne lub niemożliwe. Pozwala na automatyczne odkrywanie wiedzy i struktury w dużych, nieoznaczonych zbiorach danych.