묶음을 먼저 정하지 않는 분석
여러 곡의 음향 특징을 비슷한 것끼리 묶는다고 하자. 미리 장르 이름을 정답으로 제공하지 않고 특징 사이의 관계로 묶음을 만든다면 군집화 문제로 볼 수 있다. 그렇게 얻은 묶음이 사람이 쓰는 장르 분류와 반드시 일치하지는 않는다.
거리와 표현의 선택
데이터의 유사성은 어떤 특징을 어떤 크기로 표현하는지에 영향을 받는다. 한 수치의 범위가 다른 수치보다 훨씬 크면 거리 계산을 지배할 수 있다. 따라서 전처리와 표현 방식도 분석의 중요한 부분이다.
차원 축소는 많은 변수로 된 자료를 더 적은 차원의 표현으로 바꾸는 방법이다. 압축과 시각화에 도움이 되지만, 줄이는 과정에서 어떤 정보가 남고 사라지는지 살펴야 한다.
정답이 없어도 목적은 있다
비지도라는 말이 아무 기준 없이 학습한다는 뜻은 아니다. 모델은 거리나 확률, 재구성 오차 등 정해진 목적을 사용한다. 다만 입력별로 원하는 정답을 제공하는 지도 학습과 정보의 형태가 다르다.
해석이 필요한 결과
알고리즘이 나눈 군집은 사용한 데이터와 가정에 따른 결과다. 실제 세계에 그 이름의 자연스러운 집단이 존재한다는 증거가 자동으로 되지는 않는다. 다른 설정에서 결과가 유지되는지와 실제 과제에 유용한지를 함께 평가한다.