Речник

Clustering

Какво е Clustering?

Клъстеризацията е метод за обучение без учител, който разделя точките от данни на групи въз основа на сходството им, без предварително зададени категории. Тя разкрива модели, които никой досега не е назовал – например клиентски сегменти със сходно купувателно поведение. При текстове клъстеризацията помага стотици запитвания на клиенти да се подредят по теми като доставка, фактуриране или жалби и показва къде е основната тежест.

Как помага KI.ordo

KI.ordo включва шаблон, който разпределя списък със запитвания в три до осем тематични групи с брой, примери и препоръка.

Научете повече : Clustering

Теми

  • обучение без учител
  • групиране
  • анализ на данни

Изпробвайте KI.ordo

Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.

Стартирайте демото
← Всички термини

Свързани термини

Клъстеризация по K-средни (k-means)

K-means е метод за обучение без надзор, който разделя точките от данни на предварително зададен брой k групи. Той отнася всяка точка към най-близкия център на група и продължава да премества тези центрове, докато отнасянията почти не се променят. Методът е бърз и лесен за разбиране, но изисква разумен избор на k и признаци в съпоставими мащаби. Пример: групиране на клиенти по честота на покупките и стойност на кошницата.

  • Clustering
  • Обучение без надзор
  • +1
Шаблон

Неконтролирано обучение

При неконтролираното обучение моделът получава данни без предварително зададени правилни отговори и сам търси структури. Типични методи са клъстеризацията, която групира сходни записи, и намаляването на размерността, което свива много признаци до няколко същностни. Организациите го използват за откриване на клиентски сегменти или за забелязване на необичайни транзакции; намерените групи трябва след това да бъдат интерпретирани от експерти в областта.

  • Машинно обучение
  • Clustering
  • +1

Намаляване на размерността

Намаляването на размерността свежда броя на признаците в масив от данни, без да се губи същественото. Известни методи са анализът на главните компоненти (PCA), както и t-SNE и UMAP, които често се използват за визуализация. То ускорява изчисленията, намалява риска от преобучение и прави данните по-лесни за възприемане – например когато стотици характеристики на клиенти се проектират в двумерна диаграма, в която сходните клиенти са разположени близо един до друг.

  • анализ на данни
  • PCA
  • +1

Класификация на текст

Класификацията на текст автоматично отнася текстовете към предварително определени категории, например имейли по вид запитване, отзиви по настроение или документи по тема. Преди това за целта се налагаше да се обучават специални модели върху примери с етикети; днес големите езикови модели често могат да определят категориите само по описание. Така е възможно запитванията да се сортират предварително и да се насочват по-бързо към правилния екип.

  • NLP
  • Класификация
  • +1
Шаблон