13 unüberwachtes Lernen

Question 1

unüberwachte lernverfahren

Answer 1

Klassische Ballungen

• k-means clustering
• agglomerative hierarchial clustering

Begriffliche Ballungen ( "conceptual clustering" 
* CLUSTER/2 

Bildung von Begriffshierarchien

• COBWEB
• CLASSIT

Lernen durch Entdecken

• BACON
• ABACUS

Question 2

k-means clustering

Answer 2

Sehr elementar aber oft eingesetzt

Teilt eine Datenmenge in eine (meist) a-priori festgelegte Anzahl von Ballungen ein

Grundidee:

• Definieren eines Mittelpunkts für jeden Cluster
• Iterative Anpassung / Verbesserung Bezüglich Daten die zu dem Cluster gehören & Bezüglich Cluster-Mittelpunkt
• Optimalitätskriterium: Minimierung der Abstände aller Datenpunkte von ihrem Ballungsmittelpunkt

Question 3

k-means clustering - bewertung

Answer 3

Resultate hängen Stark von der initialen Belegung der Punkte ab
–> evtl werden suboptimale Lösungen gefunden

Resultate hängen von der verwendeten Metrik ab
* Curse of dimensionality! In hochdimensionalen Repräsentationen sind alle Daten unähnlich : schwer Cluster zu finden

Resultate hängen von der korrekten Wahl von k ab

Question 4

fuzzy k-means clustering

Answer 4

Abschwächung: jeder Datenpunkt x_i hat eine abgestufte / „unscharfe“ Zugehörigkeit zu jedem Cluster X_j

P(X_j | x_i) Wahrscheinlichkeit über die Zugehörigkeit

Problem: Laufzeit = O(kn) für jede iteration

Question 5

Einordnung k-means

Answer 5

Typ der Inferenz: induktiv

Ebene des Lernens: subsymbolisch

Lernvorgang: unüberwacht

Beispielgebung: nicht inkrementell

Umfang der Beispiele: umfangreich

Hintergrundwissen: empirisch

Question 6

Hierarchische Ballungssysteme

Answer 6

k-means: „flache“ Datenbeschreibung

Ballungen können Sub-Ballungen und Sub-Sub-Ballungen, …, haben

Idee:
Iteratives Vereinen von (Sub-)Clustern zu größeren Clustern