Die besten unüberwachten ML-Modelle, die 2023 erlernt werden müssen, helfen dabei, Muster zu finden und Entscheidungen auf der Grundlage von Eingabedaten zu treffen
Algorithmen für maschinelles Lernen werden in verschiedene Typen eingeteilt: überwachtes Lernen, unüberwachtes Lernen, verstärkendes Lernen, tiefes Lernen, halbüberwachtes Lernen und generative Modelle. Im Vergleich zum überwachten Lernen ermöglichen unüberwachte ML-Modelle Benutzern, komplexere Verarbeitungsaufgaben durchzuführen. Es kann unvorhersehbarer sein als andere natürliche Lernmethoden.
Unüberwachtes Lernen ist, wenn es einen Satz unbeschrifteter Daten bereitstellen kann, die zum Analysieren und Auffinden von Mustern im Inneren erforderlich sind. Dimensionsreduktion und Clustering sind zwei Beispiele. Clustering, Anomalieerkennung, neuronale Netze und andere Algorithmen für unüberwachtes Lernen sind weitere Beispiele. Die Maschine wird mit Daten trainiert, die nicht gekennzeichnet, klassifiziert oder kategorisiert wurden, und der Algorithmus muss ohne Aufsicht mit diesen Daten arbeiten. Unüberwachtes Lernen versucht, den Eingabedatensatz in neue Merkmale oder eine Reihe von Objekten mit ähnlichen Mustern umzustrukturieren. Hier sind die Top 10 der unbeaufsichtigten ML-Modelle, die Sie 2023 lernen sollten:
-
Hierarchisches Clustering
Hierarchisches Clustering ist ein Clustering-Algorithmus, der eine Hierarchie von Clustern erstellt. Er beginnt mit allen Daten, die seinem Cluster zugeordnet sind. In diesem Fall befinden sich zwei nahe Cluster in demselben Cluster. Wenn nur noch ein Cluster übrig ist, endet der Algorithmus.
-
K-bedeutet Clustering
K bezeichnet einen iterativen Clustering-Algorithmus, der Sie bei der Bestimmung des höchsten Werts für jede Iteration unterstützt. Zunächst wird die gewünschte Anzahl von Clustern ausgewählt. Bei dieser Clustering-Methode müssen Sie die Datenpunkte in k Gruppen unterteilen. Ein höheres k zeigt kleinere Gruppen mit größerer Granularität an. Niedrigere k-Werte weisen auf größere Gruppen mit geringerer Granularität hin. Der Algorithmus erzeugt eine Reihe von „Etiketten“. Es ordnet jeden Datenpunkt einer der k Gruppen zu. Jede Gruppe beim K-Means-Clustering wird durch Definieren eines Schwerpunkts für jede Gruppe definiert.
-
K-nächste Nachbarn
Der K-Nächste-Nachbar-Klassifikator ist der einfachste aller Klassifikatoren für maschinelles Lernen. Es unterscheidet sich von anderen maschinellen Lerntechniken dadurch, dass es kein Modell generiert. Es handelt sich um einen unkomplizierten Algorithmus, der alle verfügbaren Fälle speichert und neue Instanzen anhand einer Ähnlichkeitsmetrik klassifiziert. Wenn es eine große Lücke zwischen den Beispielen gibt, funktioniert es sehr gut.
-
Hauptkomponentenanalyse
Die Hauptkomponentenanalyse ist ein unüberwachter Lernalgorithmus, der beim maschinellen Lernen verwendet wird, um die Dimensionalität zu reduzieren. Es ist ein statistischer Prozess, der eine orthogonale Transformation verwendet, um Beobachtungen korrelierter Merkmale in einen Satz linear unkorrelierter Merkmale umzuwandeln. Es ist eines der am weitesten verbreiteten Werkzeuge für die explorative Datenanalyse und die Vorhersagemodellierung. Es ist eine Methode zum Extrahieren starker Muster aus einem gegebenen Datensatz durch Reduzieren von Varianzen.
-
Unabhängige Komponentenanalyse
Independent Component Analysis (ICA) ist eine maschinelle Lerntechnik zur Unterscheidung unabhängiger Quellen in einem gemischten Signal. Im Gegensatz zur Hauptkomponentenanalyse, die versucht, die Datenpunktvarianz zu maximieren, versucht die unabhängige Komponentenanalyse, die Unabhängigkeit, dh unabhängige Komponenten, zu maximieren.
-
Gaußsche Mischungsmodelle
Gaußsche Mischungsmodelle (GMMs) sind eine Art ML-Algorithmus, der verwendet wird, um Daten basierend auf der Wahrscheinlichkeitsverteilung in verschiedene Gruppen zu kategorisieren. Gaußsche Mischungsmodelle haben zahlreiche Anwendungen, darunter Finanzen, Marketing und viele andere.
-
Anomalieerkennung
Anomalieerkennung ist die Technik zur Identifizierung seltener Ereignisse oder Beobachtungen, die sich statistisch von den übrigen Beobachtungen unterscheiden und Verdacht erregen können. Ein solches „abnormales“ Verhalten weist normalerweise auf ein Problem hin, wie z. B. Kreditkartenbetrug, eine fehlerhafte Maschine in einem Server, einen Cyberangriff und so weiter. Die Anomalie kann grob in drei Typen eingeteilt werden: Punktanomalie, kontextuelle Anomalie und kollektive Anomalie.
-
Apriori-Algorithmus
Der Apriori-Algorithmus generiert Assoziationsregeln unter Verwendung häufiger Elementmengen und soll auf Transaktionsdatenbanken funktionieren. Es bestimmt anhand dieser Assoziationsregeln, wie stark oder schwach zwei Objekte verbunden sind. Um die Itemset-Zuordnungen effizient zu berechnen, verwendet dieser Algorithmus eine Breitensuche und einen Hash-Baum. Es ist der iterative Prozess des Auffindens häufiger Itemsets in einem großen Dataset.
-
Häufiges Musterwachstum
Han In schlug den FP-Wachstumsalgorithmus vor. Dies ist eine schnelle und skalierbare Methode zum Mining des gesamten Satzes häufiger Muster unter Verwendung von Musterfragmentwachstum und einer erweiterten Präfixbaumstruktur zum Speichern komprimierter und wichtiger Informationen über häufige Muster, die als häufige Muster bezeichnet werden Baum (FP-Baum). Han zeigte in seiner Studie, dass seine Methode andere populäre Methoden zum Mining häufiger Muster, wie den Apriori-Algorithmus und TreeProjection, übertrifft.
-
Neuronale Netze
Neuronale Netze, auch bekannt als künstliche neuronale Netze (ANNs) oder simulierte neuronale Netze (SNNs), sind eine Teilmenge des maschinellen Lernens, die die Grundlage für Deep-Learning-Algorithmen bilden. Ihr Name und ihre Struktur sind vom menschlichen Gehirn inspiriert und ahmen die Art und Weise nach, wie biologische Neuronen miteinander kommunizieren. Künstliche neuronale Netze (KNNs) bestehen aus Knotenschichten, von denen jede eine Eingabeschicht, eine oder mehrere verborgene Schichten und eine Ausgabeschicht hat. Jeder Knoten oder jedes künstliche Neuron ist mit einem anderen verbunden und hat sein Gewicht und seinen Schwellenwert.
Der Beitrag Top 10 der unbeaufsichtigten ML-Modelle zum Lernen im Jahr 2023 erschien zuerst auf Analytics Insight.
source – www.analyticsinsight.net
