Unsupervised Learning — Strukturen entdecken
Unsupervised Learning: Daten haben keine Labels. Algorithmus findet Muster, Cluster oder Anomalien selbst.
Hauptaufgaben
| Aufgabe | Algorithmen | Beispiele |
|---|---|---|
| Clustering | K-Means, DBSCAN, Hierarchical | Kunden-Segmentierung, Gen-Expression-Analyse |
| Dimensionsreduktion | PCA, t-SNE, UMAP | Visualisierung hoher Dimensionen, Feature-Engineering |
| Anomalie-Erkennung | Isolation Forest, Autoencoder | Kreditkartenbetrug, Sensorfehler |
| Assoziationsregeln | Apriori, FP-Growth | Warenkorb-Analyse ("Wer X kauft, kauft Y") |
K-Means im Detail
- Wähle k zufällige Centroide.
- Ordne jeden Punkt dem nächsten Centroid zu (Cluster).
- Berechne neue Centroide als Mittelwert jedes Clusters.
- Wiederhole 2-3 bis Konvergenz.
Wahl von kK nicht von Hand raten — Elbow-Method oder Silhouette-Score helfen die optimale Cluster-Anzahl zu finden.