Обучающая выборка, при которой система по степени близости значений признаков классификации сама выделяет классы ситуаций, называется непод supervised learning или обучением без учителя.

В отличие от обучения с учителем, где у нас есть заранее размеченные данные с известными классами, в обучении без учителя алгоритмы работают с неразмеченными данными. Основная задача таких алгоритмов — выявить скрытые структуры в данных.

Вот основные шаги, которые используются в обучении без учителя:

1. Сбор данных: Сначала необходимо собрать данные, которые будут использоваться для анализа. Это могут быть различные признаки, которые могут быть количественными или качественными.
2. Предобработка данных: Данные часто требуют очистки и нормализации. Это может включать удаление пропусков, нормализацию значений и преобразование категориальных признаков в числовые.
3. Выбор алгоритма: Существует множество алгоритмов для обучения без учителя, таких как кластеризация (например, алгоритм K-средних) и методы понижения размерности (например, PCA).
4. Обучение модели: Алгоритм применяется к данным, чтобы выявить группы или структуры. Например, в случае кластеризации система будет пытаться разбить данные на кластеры на основе их сходства.
5. Оценка результатов: После обучения необходимо оценить, насколько хорошо алгоритм справился с задачей. Это может включать визуализацию кластеров или использование метрик для оценки качества группировки.

Таким образом, обучение без учителя позволяет системе самостоятельно находить закономерности и структуры в данных, что может быть полезно в различных областях, от анализа данных до машинного обучения и искусственного интеллекта.