مدل های بدون نظارت برای تجزیه و تحلیل داده ها بدون نتایج برچسب استفاده می شوند. پارامترهای متعادل سازی مناسب در این مدل ها برای دستیابی به نتایج دقیق و معنی دار ضروری است.این راهنما یک مرور کلی از تکنیک ها برای بهینه سازی و معتبر کردن پارامترهای در یادگیری بدون نظارت فراهم می کند.

درک پارامتری Tuning

تنظیم پارامتر شامل انتخاب بهترین مجموعه پارامترهای است که عملکرد مدل را بر خلاف مدل های نظارت شده بهبود می بخشد، هیچ برچسبی برای ارزیابی دقیق وجود ندارد، بنابراین روش های جایگزین استفاده می شود.

تکنیک های رایج برای بهینه سازی

جستجوی Grid و جستجوی تصادفی روش های محبوب برای کاوش فضاهای پارامتری هستند، این تکنیک ها به طور سیستماتیک یا به طور تصادفی ترکیب های تست را برای شناسایی تنظیمات بهینه، علاوه بر این، روش هایی مانند نمرات silhouette یا Inertia برای ارزیابی کیفیت خوشه ای استفاده می شوند.

استراتژی های معتبر

اعتبار در مدل های بدون نظارت اغلب شامل معیارهای داخلی است که انسجام و جدایی خوشه ها را ارزیابی می کند.اعتبار خارجی نیز می تواند انجام شود اگر برچسب های حقیقت زمین در دسترس باشند، مقایسه خروجی مدل به طبقه بندی های شناخته شده.

  • دانلود بازی Silhouette
  • شاخص داوز-Bouldin Index
  • شاخص Calinski-Harabasz
  • بازرسی بصری