unüberwachtes

Unüberwachtes Lernen, fachsprachlich auch als unüberwachtes Lernen (englisch unsupervised learning) bezeichnet, ist eine Form des maschinellen Lernens, bei der Modelle Muster, Strukturen oder Regularitäten in Datensätzen entdecken, ohne auf vorab gelabelte Beispiele zurückzugreifen. Im Gegensatz zum überwachten Lernen liegen keine Zielgrößen oder Klassenlabels vor; das Modell muss die sinnvolle Struktur der Daten selbst ableiten.

Zu den typischen Aufgaben gehört das Clustering, also die Gruppierung ähnlicher Instanzen. Die Hauptmethoden umfassen K-Means, DBSCAN oder hierarchische Verfahren; die Dimensionsreduktion durch PCA, t-SNE, UMAP; Dichte- und Wahrscheinlichkeitsmodelle wie Gaussian Mixture Models; sowie Merkmals- oder Repräsentationslernen mittels Autoencoder oder selbstorganisierender Netze.

Anwendungsfelder reichen von der Kunden- oder Nutzersegmentierung, über Anomalieerkennung und Vorverarbeitung von Features bis hin zur Entdeckung von Strukturen in Bild-, Ton- oder Textdaten. In der Praxis dient unüberwachtes Lernen oft der Exploration, Hypothesengenerierung oder als Vorstufe für anschließendes, supervisiertes Lernen (z. B. durch Pretraining).

Die Evaluierung unüberwachter Modelle erfolgt häufig über interne Metriken wie dem Silhouette-Index oder dem Davies-Bouldin-Index; externe Validierung ist schwierig, da es keine eindeutigen Ground-Truth-Labels gibt. Herausforderungen sind die Bestimmung der richtigen Anzahl von Clustern, die Interpretierbarkeit der Ergebnisse und die Gefahr, Muster in Artefakten statt in sinnvollen Strukturen zu erkennen.

Verwandte Konzepte sind semi-überwachtes Lernen, bei dem geringe Mengen gelabelter Daten genutzt werden, und selbstüberwachtes Lernen, das durch automatisch generierte Aufgaben Labels ableitet. Unüberwachtes Lernen bildet oft eine Grundlage für Deep-Learning-Anwendungen, insbesondere im Kontext der Repräsentationsbildung.