Usted planea usar la detección de anomalías no supervisada para clasificar muestras de tejido como normales o mutadas. ¿Qué dos condiciones apoyan el uso de un método de detección de anomalías no supervisado?

La detección de anomalías no supervisada es ideal cuando hay un desequilibrio significativo de clases, es decir, muy pocas muestras de la clase anómala (mutaciones) en comparación con la clase normal. Esto hace que los métodos supervisados sean ineficaces debido a la escasez de datos de entrenamiento para la clase minoritaria. Además, este enfoque es adecuado cuando se espera que las anomalías futuras (mutaciones) exhiban características similares a las anomalías ya observadas. Si las anomalías futuras fueran completamente diferentes, el modelo entrenado no las detectaría eficazmente. Las opciones incorrectas son: "Hay aproximadamente la misma cantidad de ocurrencias de muestras normales y mutadas en la base de datos" describe un escenario de clases balanceadas, donde un método supervisado sería más apropiado. "Usted espera que las mutaciones futuras tengan características diferentes a las muestras mutadas en la base de datos" contradice la premisa de que el modelo pueda aprender patrones de anomalías existentes. "Usted ya tiene etiquetas para qué muestras están mutadas y cuáles son normales en la base de datos" indica que un enfoque supervisado es posible y probablemente más efectivo, ya que se dispone de datos etiquetados.