Aprendizado Não Supervisionado
Aprendizado não supervisionado é o tipo de machine learning em que o modelo recebe dados sem rótulos e precisa descobrir sozinho padrões, grupos e estruturas escondidas.
Como funciona
Não existe resposta certa para comparar. O algoritmo procura semelhanças e diferenças nos dados e os organiza. Uma pessoa então interpreta o que os grupos significam.
Principais tarefas
- Clusterização: agrupar itens parecidos, como segmentar clientes. O algoritmo k-means é o mais conhecido.
- Redução de dimensionalidade: simplificar dados com muitas variáveis, mantendo o essencial.
- Detecção de anomalias: achar casos fora do padrão, como fraudes.
- Associação: descobrir itens comprados juntos.
Exemplos
- Agrupar clientes por comportamento de compra.
- Organizar notícias por assunto.
- Detectar transações suspeitas.
- Comprimir e limpar dados antes de outro modelo.
Limites
Como não há resposta certa, é difícil medir se o resultado é bom, e os grupos encontrados podem não ter sentido prático. Exige conhecimento do negócio para interpretar.
Perguntas frequentes
Qual a diferença para o supervisionado? O supervisionado usa dados rotulados. O não supervisionado não usa rótulos.
É mais difícil que o supervisionado? Costuma ser mais difícil de avaliar, porque não há gabarito.
Dá para combinar os dois? Sim. É o aprendizado semissupervisionado, que usa poucos dados rotulados e muitos sem rótulo.
Termos relacionados
Aprendizado supervisionado, Clusterização, Detecção de anomalias.
« Voltar Para Glossário