Você planeja usar detecção de anomalias não supervisionada para classificar amostras de tecido como normais ou mutadas. Quais duas condições apoiam o uso de um método de detecção de anomalias não supervisionada?

A detecção de anomalias não supervisionada é ideal quando há pouquíssimas ocorrências da classe de interesse (mutações) em comparação com a classe normal. Isso porque o modelo aprende o que é "normal" e sinaliza qualquer desvio significativo como anomalia, sem precisar de muitos exemplos rotulados da anomalia. Além disso, ela é eficaz quando se espera que futuras anomalias (mutações) compartilhem características semelhantes com as anomalias já existentes, permitindo que o modelo generalize a partir dos padrões de anomalia aprendidos. A opção de ocorrências aproximadamente iguais de amostras normais e mutadas tornaria a detecção supervisionada mais apropriada, pois haveria dados suficientes para treinar um classificador. Ter rótulos existentes também favorece a abordagem supervisionada. Se as futuras mutações tivessem características diferentes das amostras mutadas no banco de dados, a detecção não supervisionada seria menos eficaz, pois o modelo não teria aprendido esses novos padrões.