Advertisement
Published in:
2019 | OriginalPaper | Chapter
9. Unsupervised Learning: Bestimmung von Repräsentanten
Author : Stefan Richter
Published in: Statistisches und maschinelles Lernen
Publisher: Springer Berlin Heidelberg
Activate our intelligent search to find suitable subject content or patents.
Select sections of text to find matching patents with Artificial Intelligence. powered by
Select sections of text to find additional relevant content using AI-assisted search. powered by
Zusammenfassung
In diesem und dem folgenden Kapitel wird das Paradigma des Unsupervised Learning betrachtet. Im Gegensatz zum Supervised Learning werden hier nur noch Realisierungen des feature-Vektors X beobachtet, jedoch kein zugehöriges Y. Zu Beginn des Kapitels werden zunächst zwei mögliche Ziele des Unsupervised Learning formuliert. Das restliche Kapitel setzt sich dann mit dem ersten Ziel, dem Finden von möglichst sinnvollen Repräsentanten der Trainingsdaten auseinander. Dies ermöglicht die Aufteilung der Daten in eine bestimmte, vorher vorgegebene Anzahl von Gruppen (Cluster). Es werden zwei Verfahren betrachtet, das k-means-Clustering und das Clustering mit Mischungsverteilungen. Für beide werden sowohl Motivation, Modellannahmen, praktische Beispiele und theoretische Resultate diskutiert. Beim Clustering mit Mischungsverteilungen wird der sogenannte EM-Algorithmus eingeführt, der in vielen weiteren Praxisbeispielen Anwendung findet.