Unüberwachtes LernenEs handelt sich um eine Lernmethode, die keine entsprechende Kategorieidentifikation für den Trainingssatz bereitstellt und normalerweise auf Situationen anwendbar ist, in denen ein Datensatz, aber keine Beschriftungen vorhanden sind.

Funktionen für unüberwachtes Lernen

• Die verwendeten Daten sind unbeschriftet, d. h. das den Eingabedaten entsprechende Ausgabeergebnis ist unbekannt und es können nur selbst Datenmodelle und Regeln wie Clustering und Anomalieerkennung gefunden werden.
• Sein Zweck besteht darin, die Originaldaten zu klassifizieren, um die interne Struktur der Daten zu verstehen.
• Während des Lernens ist nicht bekannt, ob das Klassifizierungsergebnis korrekt ist, d. h. es wird keine überwachte Verbesserung empfangen.
• Ein solches Netzwerk wird lediglich mit Eingabebeispielen gefüttert und findet aus diesen Beispielen automatisch latente Klassenregeln, lernt und testet sie und wendet sie dann auf neue Fälle an.

Maschinelles Lernen wird derzeit in überwachtes Lernen, unüberwachtes Lernen und halbüberwachtes Lernen unterteilt. Das Klassifizierungskriterium besteht darin, ob die Trainingsbeispiele von Menschen gekennzeichnete Ergebnisse enthalten.

Verwandte Begriffe: überwachtes Lernen, halbüberwachtes Lernen

Unterwörter: Apriori-Algorithmus, K-Means-Algorithmus