Maschinelles Lernen und Data Science Blueprints für Finanzen

Kapitel 7. Unüberwachtes Lernen: Dimensionalitätsreduktion

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In den vorangegangenen Kapiteln haben wir Techniken des überwachten Lernens verwendet, um Modelle des maschinellen Lernens mit Daten zu erstellen, bei denen die Antwort bereits bekannt war (d.h. die Klassenbezeichnungen waren in unseren Eingabedaten vorhanden). Jetzt werden wir uns mit dem unüberwachten Lernen beschäftigen, bei dem wir Rückschlüsse aus Datensätzen ziehen, die aus Eingabedaten bestehen, bei denen die Antwort unbekannt ist. Unüberwachte Lernalgorithmen versuchen, aus den Daten Muster abzuleiten, ohne zu wissen, welche Ergebnisse die Daten liefern sollen. Da keine markierten Daten benötigt werden, deren Erstellung oder Beschaffung zeitaufwändig und unpraktisch sein kann, ermöglicht diese Modellfamilie die einfache Nutzung größerer Datensätze für die Analyse und Modellentwicklung.

DieDimensionalitätsreduktion ist eine Schlüsseltechnik des unüberwachten Lernens. Sie komprimiert die Daten, indem sie eine kleinere, andere Gruppe von Variablen findet, die das Wichtigste in den ursprünglichen Merkmalen erfassen und gleichzeitig den Verlust von Informationen minimieren. Die Dimensionalitätsreduktion trägt dazu bei, die mit der hohen Dimensionalität verbundenen Probleme zu verringern, und ermöglicht die Visualisierung hervorstechender Aspekte von höherdimensionalen Daten, die sonst ...