Nenadzorovano učenje

Nenadzorovano učenje: učni primeri niso označeni (atributi brez ciljne spremenljivke) $\to$ porazdelitev primerov v smiselne skupine - učenje vzorcev v podatkih
Bolj subjektivno, a velikokrat ne moremo pridobiti označenih primerov

Gručenje: iskanje homogenih podskupin v učnih podatkih

Hierarhično gručenje

Neznano št. iskanih gruč
Pristopa: združevalni - od listov (najmanjših gruč) proti korenu (enotni gruči) / delilni - obratno
Lastnosti:

• Normalizacija atributov
• Časovna zahtevnost: združevanje $O(n^{2}logn)$ + deljenje $O(2^n)$
  

Merjenje razdalj

Med učnimi primeri: znane mere razdalj
Med učnim primerom in gručo / med gručami:

• razdalja med najbližjima primeroma - enojna povezanost (single linkage)
• razdalja med najbolj oddaljenima primeroma - popolna povezanost (complete linkage)
• povprečna razdalja med vsemi primeri - povprečna povezanost (average linkage)
  

Metoda voditeljev (k-means gručenje)

Znano želeno št. gruč = $k$

1. Naključno priredi učne primere eni od gruč
2. V vsaki gruči izračunaj centroid: srednja točka po vrednosti atributov vseh primerov gruče
3. Spremeni pripadnost vseh primerov glede na najbližji centroid

Ponavljaj 2/3 do konvergence
Lastnosti:

• ne najdemo globalnega optimuma (odvisno od inicializacije)
• občutljivost na šum
• težka objektivna evalvacija