Unsupervised Learning arbeitet mit ungelabelten Daten, um Strukturen, Muster oder Gruppen zu identifizieren.

 

a) Clustering (Gruppierung)

 

Ziel: Gruppierung ähnlicher Datenpunkte auf Basis ihrer Merkmale.

  • Algorithmen:

• K-Means Clustering: Teilt Daten in eine vorgegebene Anzahl von Gruppen, basierend auf den Zentroiden.
• Mean Shift: Findet Cluster durch iteratives Verschieben der Clusterzentren.
• DBSCAN: Dichtebasierter Algorithmus, der Cluster unterschiedlicher Größe und Form erkennen kann.
• Gaussian Mixture: Modelliert die Daten als Mischung mehrerer Normalverteilungen.
• Spectral Clustering: Nutzt Graph-basierte Ansätze, um Cluster in nicht-linearen Daten zu identifizieren.
• BIRCH: Effizientes hierarchisches Clustering für große Datensätze.

 

b) Dimensionality Reduction (Dimensionsreduktion)

 

Ziel: Reduzierung der Anzahl von Variablen, um die Daten zu vereinfachen, ohne relevante Informationen zu verlieren.

  • Algorithmen:

• Principal Component Analysis (PCA): Identifiziert Hauptkomponenten, die die größte Varianz in den Daten erklären.
• Factor Analysis: Findet zugrunde liegende latente Faktoren, die die Korrelationen in den Daten erklären.
• Weitere Verfahren: t-SNE (für Visualisierungen), Autoencoder.
•