Gegeben ist eine Transaktionstabelle (Benutzer-ID, Transaktionstyp, Ort, Betrag). Welche drei ML-Anwendungen sind geeignet?

Unüberwachtes Lernen ist geeignet, um betrügerische Transaktionen zu erkennen, da Betrug oft ein seltenes Ereignis ist und es schwierig sein kann, ausreichend gelabelte Daten für überwachtes Lernen zu sammeln. Anomalieerkennungsalgorithmen, eine Form des unüberwachten Lernens, können Muster in den Daten identifizieren, die von der Norm abweichen. Clustering ist ebenfalls eine Form des unüberwachten Lernens und eignet sich hervorragend, um Transaktionen basierend auf ihren Merkmalen in Gruppen zu unterteilen, was für die Segmentierung oder das Auffinden natürlicher Gruppierungen nützlich ist. Überwachtes Lernen ist die richtige Wahl, um den Ort einer Transaktion vorherzusagen, da der Ort eine bekannte Zielvariable ist, die aus historischen, gelabelten Daten gelernt werden kann. Reinforcement Learning ist für diese Aufgabe ungeeignet, da es sich um ein sequenzielles Entscheidungsproblem handelt, bei dem ein Agent durch Interaktion mit einer Umgebung lernt, und nicht um eine Vorhersageaufgabe. Unüberwachtes Lernen ist zur Vorhersage eines spezifischen Ortes ungeeignet, da es keine Zielvariable zum Lernen gibt.