Unsupervised मॉडल का उपयोग बिना लेबल किए गए परिणामों के डेटा का विश्लेषण करने के लिए किया जाता है। इन मॉडलों में उचित संतुलन पैरामीटर सटीक और सार्थक परिणाम प्राप्त करने के लिए आवश्यक है। यह गाइड असुरक्षित सीखने में मापदंडों को अनुकूलित करने और मान्य करने के लिए तकनीकों का अवलोकन प्रदान करता है।

समझना पैरामीटर ट्यूनिंग

पैरामीटर ट्यूनिंग में उन मापदंडों का सबसे अच्छा सेट चुनना शामिल है जो मॉडल प्रदर्शन में सुधार करते हैं। पर्यवेक्षण मॉडल के विपरीत, सटीकता का मूल्यांकन करने के लिए कोई लेबल नहीं हैं, इसलिए वैकल्पिक तरीकों का उपयोग किया जाता है।

अनुकूलन के लिए आम तकनीक

ग्रिड खोज और यादृच्छिक खोज पैरामीटर रिक्त स्थान की खोज के लिए लोकप्रिय तरीके हैं। इन तकनीकों को व्यवस्थित रूप से या यादृच्छिक रूप से इष्टतम सेटिंग्स की पहचान करने के लिए संयोजन का परीक्षण किया जाता है। इसके अतिरिक्त, सिल्हूट स्कोर या जड़ता जैसे तरीकों का उपयोग क्लस्टरिंग गुणवत्ता का मूल्यांकन करने के लिए किया जाता है।

मान्यता रणनीतियाँ

असुरक्षित मॉडल में सत्यापन में अक्सर आंतरिक मीट्रिक शामिल होते हैं जो समूह के सामंजस्य और अलगाव का आकलन करते हैं। यदि जमीन के सत्य लेबल उपलब्ध हैं तो बाहरी सत्यापन भी किया जा सकता है, मॉडल के आउटपुट की तुलना ज्ञात वर्गीकरणों के लिए की जा सकती है।

  • सिल्हूट स्कोर
  • डेविस-बोल्डिन इंडेक्स
  • Calinski-Harabasz सूचकांक
  • दृश्य निरीक्षण