Nierozkazana uczenie się: Pełny przewodnik

Nierozkazane uczenie się

Nierozkazane uczenie się wykrywa ukryte wzorce w danych bez korzystania z etykietowanych przykładów. Kluczowe dziedziny to klasterowanie, zmniejszanie wymiarowości i odkrywanie prawasad asocjacyjnych.

1. Podstawowe zasady nierozkazanego uczenia się

Przykład 2: Wykrywanie nieregularnych zdarzeń za pomocą detekcji gęstości

Problematyka: Wykrywanie nieregularnych zdarzeń w transakcjach finansowych.

Metoda: Używanie DBSCAN do wykrywania odstających punktów oraz GMM do szacowania gęstości.

demo na żywo · powiązana symulacja● LIVE

Zrozumienie potencjalnych białości w klastrach

Nie używaj wyników do dyskryminacji indywidualiów lub grup.

Zastosowanie K-means z scikit-learn do zadań klasteryzacyjnych.

Często zadawane pytania

Czym są metody uczenia nienadzorowanego, a jak się różnią od uczenia nadzorowanego?

Metody uczenia nienadzorowanego działają bez zadanego wcześniej etykietowania lub zmiennych docelowych, zamiast odkrywać wzory i struktury w danych samego. Uczenie nadzorowane odwrotnie polega na wykorzystaniu danych etykietowanych do treningu modelu do przewidywania.

Jak oceniają Silhouette Score, indeks Daviesa-Bouldina i Calinski-Harabasza wyniki klasterowania?

Silhouette Score mierzy, jak podobne jest każdy punkt do swojego klastra w stosunku do innych klastrow. Indeks Daviesa-Bouldina kwantyfikuje średnią niepodobieństwo między klastrami, z niższymi wartościami oznaczającymi lepsze oddzielenie. Ostatecznie, indeks Calinski-Harabasza ocenia stosunek wariancji między-klastrowej do wariancji wewnątrz-klastrowej, sugerując więcej wyraźnych i dobrze zdefiniowanych klastrów.

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz Hash Function Avalanche Visualizer i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.

▶ Otwórz symulację Hash Function Avalanche Visualizer