Diese StatQuest-Episode, der zweite Teil einer Reihe über Random Forests, befasst sich damit, wie fehlende Daten behandelt und Clustering mithilfe dieses leistungsstarken maschinellen Lernalgorithmus durchgeführt werden können. Sie bietet eine detaillierte Erklärung dieser fortgeschrittenen Anwendungen.
Dieser Inhalt erklärt K-Means Clustering, eine unüberwachte Lernmethode zum Finden von Gruppen in unbeschrifteten Daten. Er beschreibt den Schritt-für-Schritt-Algorithmus, Schlüsselkonzepte wie Schwerpunkte und Trägheit sowie Methoden zur Auswahl der optimalen Anzahl von Clustern (K).
Diese Abhandlung schlägt vor, dass für kollektive Entscheidungsfindung auf Basis von Freitext Embeddings "präferenzielle Ähnlichkeit" statt "semantischer Ähnlichkeit" messen sollten. Bestehende Embeddings erfassen zwar ein grobes Präferenzsignal, versagen jedoch, wenn diese Korrelation bricht, was als Invarianzproblem formalisiert wird.