Unsupervised 모델은 라벨이 없는 데이터를 분석하는 데 사용됩니다. 이 모델의 Properly balancing 매개 변수는 정확하고 의미있는 결과를 달성하는 데 필수적입니다. 이 가이드는 탁월한 학습에서 최적화 및 검증 매개 변수에 대한 개요를 제공합니다.

이해하는 모수 조정

매개변수 조정은 모형 성과를 개량하는 모수의 제일 세트를 선정합니다. 감독한 모형과는 달리, 정확도를 직접 평가하는 상표가 없습니다, 그래서 대안 방법은 이용됩니다.

Optimization에 대한 일반적인 기술

그리드 검색 및 임의 검색은 매개 변수 공간을 탐구하기위한 인기있는 방법입니다. 이 기술 systematically 또는 무작위로 테스트 조합은 최적의 설정을 식별합니다. 또한 silhouette 점수 또는 관성 같은 방법은 클러스터링 품질을 평가하는 데 사용됩니다.

검증 전략

unsupervised 모델의 유효성 검사는 종종 클러스터의 응집과 분리를 평가하는 내부 메트릭을 포함한다. 외부 유효성 검사는 지상 진실 라벨이 유효하다면 수행 할 수 있으며, 모델의 출력을 알려진 분류에 비교합니다.

  • Silhouette 점수
  • Davies-Bouldin 인덱스
  • Calinski-Harabasz 인덱스
  • 비주얼 검사