Depende de lo que intentes hacer. He trabajado con varios tipos de algoritmos sin supervisión a lo largo de los años. La visualización, como señaló Jason Kuen, a menudo es útil, pero también hay otras posibilidades.
La agrupación puede considerarse un tipo de aprendizaje no supervisado y se pueden definir medidas de calidad de la agrupación, como la proporción promedio del diámetro de la agrupación en comparación con la distancia entre las agrupaciones (definidas adecuadamente).
Si está utilizando un modelo generativo como una máquina Boltzmann, el objetivo es minimizar la diferencia entre la distribución de salidas cuando el sistema está “soñando” en comparación con la distribución de entrada. Como el método es estocástico, el valor real alcanzado después de una cantidad dada de entrenamiento puede depender de semillas aleatorias. Por lo tanto, se pueden variar y comparar varias ejecuciones para ver si hay un rendimiento significativamente diferente. Este tipo de comparación se puede probar con cualquier algoritmo estocástico.
- ¿Qué tan cerca estamos de poder crear máquinas autorreplicantes que puedan replicarse utilizando minerales que se encuentran en el espacio exterior?
- ¿Qué es un conjunto de datos desequilibrado?
- ¿La red neuronal convolucional (CNN) tiene que ver con la arquitectura de red y factores como la tasa de aprendizaje, la función de pérdida utilizada, etc.
- ¿Cuáles son las ventajas del aprendizaje semi-supervisado sobre el aprendizaje supervisado y no supervisado?
- ¿Por qué el gradiente en el punto mínimo no es igual a 0?
Si su objetivo es el descubrimiento de características, puede usar esas características para generar una agrupación o reconstrucción y evaluar las características de esa manera.