Unbeaufsichtigtes

Unbeaufsichtigtes Lernen bezeichnet eine Gruppe von Verfahren im maschinellen Lernen, die Muster, Strukturen oder Zusammenhänge in Datensätzen erkennen, ohne dass ihnen gekennzeichnete Zielgrößen vorliegen. Ziel ist es, die zugrunde liegende Struktur der Daten zu verstehen, wie Verteilungen, Gruppen oder redundante Merkmale.

Typische Aufgaben umfassen Clustering, Dimensionsreduktion und Dichte- bzw. Wahrscheinlichkeitsmodellierung. Beispielhafte Methoden sind K-Means, DBSCAN und hierarchische Clusterung für das Finden von Gruppen; PCA, ICA, t-SNE und UMAP für die Reduktion von Merkmalsräumen; Gaussian Mixture Models und der EM-Algorithmus für wahrscheinlichkeitstheoretische Modelle; sowie Latent Dirichlet Allocation für Themenmodelle in Textsammlungen.

Anwendungsfelder reichen von Kundensegmentierung über Anomalieerkennung und Musterentdeckung bis hin zur Merkmalskompression oder Vorverarbeitung für überwachte Lernaufgaben. Da es keine festgelegte Zielgröße gibt, ist die Bewertung unbeaufsichtigter Modelle oft herausfordernd und beruht auf internen Kriterien wie Kohäsion und Trennung, auf der Güte von Dimensionsreduktionen oder auf der Nützlichkeit der entdeckten Strukturen in downstream Tasks (z. B. Clustering- oder Klassifikationsleistung nachfolgender Modelle) oder Metriken wie Silhouette-Score, Davies-Bouldin-Index oder Informationskriterien.

Vorteile sind der Umgang mit unlabeled Daten und die Möglichkeit, verborgene Strukturen zu entdecken, während Herausforderungen unter anderem die Interpretierbarkeit, Skalierbarkeit sowie die Abhängigkeit von Initialisierung und gewähltem Modell umfassen. Historisch reicht die Wurzel unbeaufsichtigter Methoden bis in die mittleren Jahrzehnte des 20. Jahrhunderts mit Entwicklungen wie K-Means, dem EM-Algorithmus und später fortgeschrittenen Modellen.