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.
Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.
Стартирайте демотоПри контролираното обучение моделът се учи от примери, за които правилният отговор вече е известен, като имейли с етикет „спам“ или „не е спам“. От тях той извежда правила, с които да класифицира нови, невиждани случаи или да предвижда стойности. Типични задачи са класификацията и регресията; най-големите усилия отиват за създаването на коректно етикетирани данни.
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.
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.
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.
