監視されていないモデルは、ラベルされた結果なしでデータを分析するために使用されます。 これらのモデルの適切にバランスをとるパラメータは、正確で有意義な結果を達成するための不可欠です。 このガイドは、監視されていない学習でパラメータの最適化と検証のための技術の概要を提供します。

パラメーターの調整を理解する

パラメータ調整には、モデル性能を向上させるパラメータのベストセットを選択することが含まれます。 監督モデルとは異なり、ラベルは直接精度を評価するため、代替方法が使用されます。

最適化のための一般的なテクニック

グリッド検索とランダム検索は、パラメータスペースを探索するための一般的な方法です。 これらの技術は、体系的にまたはランダムにテストの組み合わせで、最適な設定を識別します。 さらに、シルエットスコアや慣性などの方法は、クラスタリング品質を評価するために使用されます。

検証戦略

監視されていないモデルの検証には、クラスターの凝集と分離を評価する内部メトリックが頻繁に含まれています。 外部検証は、地上の真理ラベルが利用可能な場合、モデルの出力を比較して既知の分類に行うことができます。

  • シルエットスコア
  • Davies-Bouldin インデックス
  • カリナスキー・ハラバスズ指数
  • 外観検査