Unüberwachtes Lernen: Muster ohne Labels entdecken

Ein Label ist eine vorgegebene Beschriftung oder Zielantwort. Ein Tierfoto könnte beim überwachten Lernen zum Beispiel das Label „Katze“ oder „Hund“ tragen. Beim unüberwachten Lernen fehlen solche Vorgaben.

Stell dir einen Haufen Legosteine ohne Sortieranweisung vor. Du könntest die Steine nach Farbe, Größe oder Form ordnen. Keine dieser Einteilungen ist vorher als richtige Lösung vorgegeben. Ebenso hängt die von einem Lernverfahren entdeckte Struktur von den verwendeten Merkmalen und dem gewählten Verfahren ab.

Überwachtes Lernen verfolgt dagegen ein bekanntes Ziel. Es lernt aus Eingaben mit richtigen Zielantworten, um später beispielsweise eine Klasse oder einen Zahlenwert vorherzusagen.

Unüberwachtes Lernen umfasst mehrere Aufgabentypen. Sie beantworten unterschiedliche Fragen.

Clustering: Welche Daten ähneln sich?

Clustering teilt Datenobjekte anhand ausgewählter Merkmale in Gruppen, die Cluster. Bei Kundendaten könnten Kaufverhalten, Alter oder Einkommen als Merkmale dienen. Die Cluster besitzen zunächst keine inhaltlichen Namen wie „technikinteressiert“; solche Deutungen entstehen erst danach.

Beim harten Clustering gehört jedes Objekt genau zu einem Cluster. Beim weichen Clustering kann ein Objekt mit verschiedenen Zugehörigkeitsgraden mehreren Clustern zugeordnet sein. Hierarchisches Clustering stellt schrittweise Zusammenführungen oder Teilungen als Baumdiagramm dar.

Assoziationsanalyse: Was tritt gemeinsam auf?

Die Assoziationsanalyse sucht häufige Beziehungen zwischen Merkmalen oder Ereignissen. Eine Warenkorbanalyse kann beispielsweise zeigen, welche Produkte oft gemeinsam gekauft werden. Das ist eine gefundene Regelmäßigkeit, aber noch kein Beweis dafür, dass ein Produkt den Kauf des anderen verursacht.

Dimensionsreduktion: Wie werden viele Merkmale verdichtet?

Bei der Dimensionsreduktion wird eine große Zahl von Merkmalen auf eine kleinere Darstellung verdichtet. Dabei soll möglichst viel relevante Information erhalten bleiben. Das kann Daten übersichtlicher machen, Visualisierungen ermöglichen und nachfolgende Verfahren entlasten.

Die Hauptkomponentenanalyse, kurz PCA, erzeugt neue Komponenten. Die erste beschreibt die Richtung mit der größten Streuung der Daten. Jede weitere erfasst möglichst viel der verbleibenden Streuung und steht senkrecht auf den vorherigen Komponenten.

Anomalieerkennung: Was fällt aus dem Muster?

Eine Anomalie ist ein Datenpunkt, der deutlich vom üblichen Muster abweicht. Solche Ausreißer können auf einen Gerätefehler, ungewöhnlichen Netzwerkverkehr oder einen möglichen Betrugsfall hinweisen. Eine Anomalie ist jedoch nicht automatisch ein Fehler oder Betrug; sie ist zunächst ein Anlass zur Prüfung.

k-Means ist ein Verfahren für hartes Clustering. Die Zahl der gewünschten Cluster wird vorher als k festgelegt. Jedes Datenobjekt wird genau einem Cluster zugeordnet.

Der Ablauf wiederholt zwei zentrale Schritte:

1. Lege für die k Cluster zunächst je ein Zentrum fest.
2. Ordne jedes Datenobjekt dem nächstgelegenen Zentrum zu.
3. Berechne für jedes Cluster aus den zugeordneten Daten ein neues Zentrum.
4. Wiederhole Zuordnung und Neuberechnung, bis sich die Zuordnungen nicht mehr ändern oder ein festgelegtes Abbruchkriterium erreicht ist.

Welches Zentrum „am nächsten“ liegt, entscheidet ein Distanzmaß. Häufig wird der euklidische Abstand verwendet. Deshalb beeinflussen die ausgewählten Merkmale, ihre Skalierung und das Distanzmaß das Ergebnis.

Was verändert der Parameter k?

Ein kleines k erzeugt wenige, eher grobe Gruppen. Ein größeres k erzeugt mehr und meist feinere Gruppen. Mehr Cluster bedeuten aber nicht automatisch ein besseres Ergebnis: Eine sehr feine Aufteilung kann für die eigentliche Fragestellung nutzlos sein.

Auch unterschiedliche Anfangszentren können zu unterschiedlichen Gruppierungen führen. Deshalb sollte man Ergebnisse vergleichen und nicht die erste Ausgabe ungeprüft übernehmen.

Beim unüberwachten Lernen fehlt meist eine Ground Truth, also eine Sammlung bekannter richtiger Zielantworten. Deshalb lässt sich ein Cluster nicht einfach als „richtig“ oder „falsch“ markieren.

Eine verantwortungsvolle Prüfung betrachtet mehrere Ebenen:

1. Datenqualität: Fehlen Werte? Gibt es Messfehler oder ungeeignete Daten?
2. Merkmale: Beschreiben die ausgewählten Eigenschaften die Fragestellung sinnvoll?
3. Parameter und Verfahren: Wie verändern k, Anfangszentren, Distanzmaß oder Vorverarbeitung das Ergebnis?
4. Innere Struktur: Sind Punkte innerhalb eines Clusters ähnlich und verschiedene Cluster ausreichend getrennt?
5. Fachliche Bedeutung: Können Fachleute die Gruppen nachvollziehbar deuten und für den vorgesehenen Zweck verwenden?

Kennzahlen wie der Silhouetten-Score oder Verfahren wie die Ellenbogenmethode können beim Vergleich von Clusterlösungen helfen. Sie ersetzen jedoch nicht die fachliche Interpretation.

Typische Denkfehler

• „Ein Cluster ist eine echte natürliche Kategorie.“ Cluster hängen von Daten, Merkmalen, Parametern und Verfahren ab.
• „Eine Korrelation erklärt die Ursache.“ Gemeinsames Auftreten zeigt zunächst nur eine Beziehung, keine Ursache.
• „Ein Ausreißer ist sicher ein Betrugsfall.“ Eine Anomalie ist ein Prüfhinweis, kein fertiges Urteil.
• „Ohne Labels ist keine Kontrolle nötig.“ Gerade ohne richtige Zielantworten sind Vergleiche und Fachwissen wichtig.