Si prevede di utilizzare il rilevamento di anomalie non supervisionato per classificare i campioni di tessuto come normali o mutati. Quali due condizioni supportano l'utilizzo di un metodo di rilevamento di anomalie non supervisionato?

Il rilevamento di anomalie non supervisionato è ideale quando i campioni anomali (mutazioni) sono rari rispetto ai campioni normali. Questo perché il modello apprende la distribuzione dei dati "normali" e identifica i punti che deviano significativamente da tale distribuzione come anomalie. Se le mutazioni future avranno caratteristiche simili a quelle già osservate, il modello addestrato sui dati esistenti sarà efficace nel rilevarle. Le altre opzioni sono meno adatte: Se ci fossero occorrenze uguali di campioni normali e mutati, si potrebbe usare un approccio di classificazione supervisionato. Se le mutazioni future avessero caratteristiche diverse, il modello attuale potrebbe non rilevarle efficacemente, richiedendo un riaddestramento o un approccio più robusto. Avere già etichette indica che un approccio supervisionato sarebbe più appropriato e potenzialmente più accurato, in quanto il modello potrebbe imparare direttamente dai dati etichettati.