Unüberwachtes Lernen: Muster ohne Labels entdecken

Beim maschinellen Lernen gewinnt ein Computer aus Beispieldaten Regeln oder Muster. Ein Algorithmus ist eine festgelegte Folge von Rechenschritten. Als Merkmale bezeichnet man Eigenschaften, mit denen ein Beispiel beschrieben wird, etwa Länge oder Gewicht. Ein Datensatz fasst hier die Merkmalswerte eines Beispiels zusammen. Ein solches Beispiel wird auch Datenpunkt genannt.

Überwachtes Lernen nutzt Beispiele mit vorgegebenen Zielangaben. Eine solche Zielangabe heißt Label. Das kann eine Klasse wie „rund“ oder ein Zahlenwert wie eine bekannte Lieferdauer sein. Das Verfahren lernt, die Zielangabe für weitere Beispiele vorherzusagen. Entscheidend sind die zum Lernen verwendeten Zielangaben, nicht die Art der Eingaben: Bilder, Texte und Zahlen können bei beiden Lernarten vorkommen.

Unüberwachtes Lernen nutzt für die Lernaufgabe keine vorgegebenen Zielangaben. Es sucht stattdessen Strukturen in den gewählten Merkmalen. Beispielsweise kann es ähnliche Datensätze zu Gruppen zusammenfassen. Eine solche Gruppe heißt Cluster. Unüberwacht bedeutet dabei nicht ohne menschliche Entscheidungen: Menschen wählen Daten, Merkmale und Verfahren aus und prüfen die Ergebnisse.

Die Clusteranalyse teilt Datensätze anhand ihrer Ähnlichkeiten in Gruppen ein. Welche Datensätze ähnlich sind, hängt von den ausgewählten Merkmalen und der verwendeten Vergleichsregel ab. Das gewünschte Ergebnis sind Gruppen.

Die Anomalieerkennung sucht ungewöhnliche einzelne Datensätze. Eine Anomalie oder ein Ausreißer ist ein Datenpunkt, der vom üblichen Muster abweicht. Eine Auffälligkeit beweist keinen Fehler: Sie kann auch eine seltene, aber richtige Beobachtung sein. Das gewünschte Ergebnis sind Hinweise auf auffällige Datenpunkte.

Die Hauptkomponentenanalyse, abgekürzt PCA, stellt Zahlenmerkmale durch neue Größen dar. Eine Dimension bezeichnet hier eine Größe, mit der ein Datenpunkt beschrieben wird. PCA kann die Zahl dieser Größen verringern. Die neuen Größen entstehen aus gewichteten Summen der ursprünglichen Merkmale: Die Merkmalswerte werden mit bestimmten Zahlen multipliziert und dann addiert. Die erste neue Richtung erfasst die größte Streuung, also die stärksten Unterschiede zwischen den Datenpunkten. Weitere Richtungen stehen senkrecht zu den vorherigen und erfassen möglichst viel verbleibende Streuung. Behält man weniger dieser neuen Größen, wird die Darstellung kleiner; dabei kann Information verloren gehen. PCA erzeugt dadurch noch keine Gruppenzuordnung und keine Ausreißermarkierung.

k-Means ist ein Verfahren zur Clusteranalyse. Die Zahl k gibt die gewünschte Anzahl der Gruppen und ihrer Zentren an. Ein Zentrum ist der rechnerische Mittelpunkt einer Gruppe. Das Verfahren benötigt Zahlenmerkmale, bei denen Mittelwerte sinnvoll sind. Den Mittelwert erhältst du, indem du die Werte addierst und durch ihre Anzahl teilst. Reine Bezeichnungen wie „Holz“ und „Glas“ eignen sich dafür nicht. Bei mehreren Merkmalen wird jeder Merkmalswert des Zentrums getrennt gemittelt.

Vor einem Durchlauf legst du k fest und wählst entsprechend viele Startzentren, beispielsweise zufällig ausgewählte Datenpunkte. Dann ordnest du jeden Punkt dem nächstgelegenen Zentrum zu. Als Abstand verwenden wir hier die Länge der geraden Verbindung. Anschließend ersetzt du jedes Zentrum durch den Mittelwert seiner zugeordneten Punkte. Zuordnung und Neuberechnung wiederholst du, bis sich die Zuordnungen nicht mehr ändern. Wir betrachten dabei Fälle ohne gleich große Abstände zu zwei Zentren und ohne Gruppen, denen kein Punkt zugeordnet ist. Für solche Sonderfälle müsste eine zusätzliche Regel festgelegt werden.

Die Zahl k wird vorher benötigt, weil schon die erste Zuordnung auf genau diesen Zentren beruht. Sie ist nicht die Anzahl der Merkmale. Du kannst mehrere Durchläufe mit verschiedenen Werten für k vergleichen. Ein ungeeigneter Wert kann Gruppen zusammenlegen oder aufteilen, die für den Zweck anders eingeteilt werden sollten. Kleinere Abstände bei mehr Zentren belegen allein keine nützlichere Einteilung.

Auch die Startzentren beeinflussen das Ergebnis. Ein einzelner Durchlauf garantiert keine bestmögliche Lösung. Außerdem beeinflussen Maßeinheiten und Größenordnungen der Merkmale die Abstände. Deshalb muss ihre Auswahl und Aufbereitung geprüft werden. k-Means ordnet jeden Punkt einer Gruppe zu und liefert dabei keine eigene Ausreißermarkierung. Ausreißer können die Mittelwerte und damit das Ergebnis stark verändern.

Eine Clusteranalyse liefert zunächst eine Gruppenzuordnung nach den gewählten Merkmalen und der Vergleichsregel. Daraus folgt keine gesicherte inhaltliche Deutung. Ähnliche Messwerte belegen beispielsweise weder eine gemeinsame Ursache noch einen bestimmten Verwendungszweck. Auch ein rechnerisch klares Ergebnis kann für die eigentliche Frage wenig nützlich sein.

Untersuche die Gruppen deshalb anschließend: Welche Merkmale haben ihre Mitglieder gemeinsam? Gibt es wichtige Unterschiede innerhalb einer Gruppe? Welche zusätzlichen Angaben helfen, eine Vermutung zu prüfen? Ein vorgeschlagener Gruppenname bleibt eine Vermutung, solange die dafür nötigen Informationen fehlen. Fachwissen hilft zu beurteilen, ob die Einteilung sinnvoll ist.

Auch die Auswahl anderer Merkmale, ein anderes Verfahren oder andere Einstellungen können zu anderen Gruppen führen. Ein verändertes Ergebnis belegt für sich genommen weder einen Datenfehler noch die Überlegenheit einer Einteilung. Vergleiche die Ergebnisse mit dem Zweck der Untersuchung und prüfe, welche Deutung die vorhandenen Daten tatsächlich tragen.