BG
ВходЗапочнете сега
Речник

Клъстеризация по K-средни (k-means)

Какво е 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.

Как помага KI.ordo

Шаблонът на KI.ordo за групиране на запитвания по теми преследва сходна цел, но формира групите с езиков модел, а не с k-means.

Научете повече : Клъстеризация по K-средни (k-means)

Подходящи шаблони

Теми

  • Clustering
  • Обучение без надзор
  • Алгоритъм

Изпробвайте KI.ordo

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

Стартирайте демото
← Всички термини

Свързани термини

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.

  • обучение без учител
  • групиране
  • +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

K най-близки съседи (k-NN)

K най-близките съседи (k-nearest neighbours, k-NN) е прост метод за обучение с надзор. За да класифицира нова точка от данни, той търси k-те най-сходни известни примера и възприема най-често срещания им клас или, при числови стойности, средната им стойност. Не изисква същинска фаза на обучение, но става бавен при големи масиви от данни и е чувствителен към мащабирането на признаците. Пример: препоръки за продукти въз основа на сходни клиенти.

  • Класификация
  • Обучение с надзор
  • +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