Sie planen, eine unüberwachte Anomalieerkennung zu verwenden, um Gewebeproben als normal oder mutiert zu klassifizieren. Welche zwei Bedingungen unterstützen die Verwendung einer unüberwachten Anomalieerkennungsmethode?

Unüberwachte Anomalieerkennung ist ideal, wenn Anomalien (Mutationen) im Vergleich zu normalen Datenpunkten selten sind. Dies liegt daran, dass das Modell lernt, was "normal" ist, und alles, was signifikant davon abweicht, als Anomalie kennzeichnet. Wenn zukünftige Mutationen ähnliche Merkmale wie die bereits bekannten mutierten Proben aufweisen, kann das Modell diese ebenfalls als Anomalien erkennen, da sie vom gelernten Normalmuster abweichen. Die Option "ungefähr gleich viele normale und mutierte Proben" würde ein überwachtes oder semi-überwachtes Lernverfahren begünstigen, da genügend Beispiele für beide Klassen vorhanden wären. Wenn "zukünftige Mutationen andere Merkmale aufweisen", wäre die unüberwachte Anomalieerkennung weniger effektiv, da das Modell die neuen Anomalien möglicherweise nicht als solche erkennt. Vorhandene Bezeichnungen für alle Proben würden ebenfalls auf ein überwachtes Lernproblem hindeuten.