Unsupervised Learning (unüberwachtes Lernen) ist eine Methode des Machine Learning, bei der das Modell ohne Labels arbeitet: Es bekommt nur die Eingabedaten und muss selbst Muster, Gruppen oder Strukturen darin entdecken.
Der Unterschied zum Supervised Learning
Beim Supervised Learning sagt ein Lehrer (das Label) dem Modell die richtige Antwort. Beim Unsupervised Learning fehlt diese Antwort — das Modell sucht selbst:
- Welche Beispiele ähneln sich? (Cluster)
- Welche Merkmale hängen zusammen? (Assoziationen)
- Wie lassen sich die Daten kompakt darstellen? (Dimensionsreduktion)
Typische Verfahren
- Clustering: k-Means, DBSCAN oder hierarchisches Clustering gruppieren ähnliche Datenpunkte — z.B. Kunden nach Kaufverhalten.
- Assoziationsregeln: finden Zusammenhänge wie „Wer A kauft, kauft oft auch B" (bekannt aus dem Warenkorbanalyse-Beispiel der Supermärkte).
- Dimensionsreduktion: PCA oder t-SNE komprimieren hochdimensionale Daten auf wenige Kennzahlen — hilfreich zur Visualisierung und als Vorstufe für Embeddings.
- Autoencoder: neuronale Netze, die Daten erst komprimieren und dann rekonstruieren — sie lernen dabei die wichtigsten Merkmale.
Wofür man es einsetzt
- Kundensegmentierung im Marketing (ohne vorgegebene Gruppen).
- Anomalieerkennung: Abweichungen vom Normalen fallen auf — nützlich gegen Betrug oder in der Server-Überwachung.
- Empfehlungssysteme: ähnliche Nutzer oder Produkte automatisch finden.
- Datenqualität: doppelte oder auffällige Einträge aufspüren.
Grenzen
Unsupervised Learning findet zwar Muster, kann aber nicht von selbst sagen, ob sie relevant sind. Die gefundenen Cluster brauchen immer eine menschliche Interpretation. Außerdem ist das Ergebnis schwerer zu bewerten als beim überwachten Lernen, weil es keine „richtige Antwort" gibt. In der Praxis kombiniert man beide Ansätze oft: Unsupervised Learning entdeckt die Struktur, Supervised Learning nutzt sie für präzise Vorhersagen.
Verwandte Grundlagen: Maschinelles Lernen, LLM-Glossar, Reinforcement Learning.