Denetimsiz öğrenme

Denetimsiz öğrenme, tahmin edilecek etiketli bir sonucu olmayan veride yapı bulur. “Temerrüt var ya da yok” bilgisini öğrenmek yerine benzer müşterileri gruplar, bir dosyayı en çok benzediği dosyaların yanına yerleştirir ya da verinin geri kalanının izlediği örüntüye uymayan kayıtları işaretler.

Nerede işe yarar

Müşteri ve portföy segmentasyonu: kurum, tek bir skor yerine üzerinde harekete geçebileceği gruplar ister. Ödeme, hasar talebi ya da sensör okumalarında anomali tespiti: doğrulanmış dolandırıcılık veya arıza etiketleri azdır ya da geç gelir. Benzerlik ve temsil: bir dosyanın en çok benzediği dosyalarla karşılaştırılması gerekir. Denetimsiz öğrenme çoğu zaman denetimli bir modelin önünde yer alır: segmentler girdi olur, anomaliler bir kişinin incelediği dosyalara dönüşür.

Nasıl değerlendirilir

Karşılaştırarak skorlanacağı ayrılmış bir sonuç yoktur; bu yüzden doğruluk yanlış sorudur. Bir segmentasyon şunlara göre değerlendirilir: grupları zaman pencerelerinde ve örneklemlerde istikrarlı kalıyor mu, her grup işin harekete geçebileceği bir anlam taşıyor mu, sonuç yöntem değişikliğinden sağ çıkıyor mu. Anomali modeli, bir ekibin gerçekten inceleyebileceği uyarı hacmine ve inceleyenlerin bu uyarılarda bulduklarına göre değerlendirilir. İkisi de canlı ortamdaki her model gibi kayma için izlenir.

Daha büyük bir sistemde yeri

Bir segment ya da anomali işareti girdidir, karar değildir. İşaretlenen dosyaya ne olacağına politika, limitler ve sorumlu inceleyici karar verir. Makine öğrenmesi modelleri sayfası, segmentasyon ve anomali modellerini denetimli modellerle birlikte, aynı yaşam döngüsü, belgeleme ve devirle ele alır.