CS
Přihlásit seZačít
Glosář

Shlukování K-means

Co je Shlukování K-means?

K-means je metoda učení bez učitele, která rozděluje datové body do předem určeného počtu k skupin. Každý bod přiřadí k nejbližšímu středu skupiny a tyto středy posouvá, dokud se přiřazení téměř nemění. Metoda je rychlá a snadno pochopitelná, ale vyžaduje rozumnou volbu k a rysy ve srovnatelných měřítcích. Příklad: seskupení zákazníků podle četnosti nákupů a hodnoty košíku.

Jak pomáhá KI.ordo

Šablona KI.ordo pro seskupování dotazů podle témat sleduje podobný cíl, ale skupiny tvoří pomocí jazykového modelu, nikoli metodou k-means.

Zjistit více : Shlukování K-means

Vhodné šablony

Témata

  • Clustering
  • učení bez učitele
  • algoritmus

Vyzkoušet KI.ordo

Agenti, postupy a šablony v jednom pracovním prostoru – 24hodinové demo zdarma.

Spustit demo
← Všechny pojmy

Související pojmy

Clustering

Shlukování (clustering) je metoda učení bez učitele, která rozděluje datové body do skupin podle jejich podobnosti, bez předem daných kategorií. Odhaluje vzorce, které dosud nikdo nepojmenoval – například zákaznické segmenty s podobným nákupním chováním. U textů pomáhá shlukování roztřídit stovky zákaznických dotazů do témat, jako je doručení, fakturace nebo reklamace, a ukazuje, kde leží těžiště.

  • učení bez učitele
  • seskupování
  • +1
Šablona

Neřízené učení

Při neřízeném učení model dostane data bez předem daných správných odpovědí a sám hledá struktury. Typickými metodami jsou shlukování, které seskupuje podobné záznamy, a redukce dimenzionality, která mnoho příznaků zhušťuje na několik podstatných. Organizace je využívají k objevování zákaznických segmentů nebo odhalování neobvyklých transakcí; nalezené skupiny pak musí interpretovat odborníci z dané oblasti.

  • Strojové učení
  • Clustering
  • +1

K nejbližších sousedů

K nejbližších sousedů (k-NN) je jednoduchá metoda učení s učitelem. Aby zařadila nový datový bod, vyhledá k nejpodobnějších známých příkladů a převezme jejich nejčastější třídu nebo, u číselných hodnot, jejich průměr. Nepotřebuje skutečnou fázi trénování, ale u velkých datových souborů je pomalá a citlivá na způsob škálování rysů. Příklad: doporučování produktů na základě podobných zákazníků.

  • Vyhodnocení
  • učení s učitelem
  • +1

Redukce dimenzionality

Redukce dimenzionality snižuje počet rysů v datovém souboru, aniž by se ztratily podstatné informace. K známým metodám patří analýza hlavních komponent (PCA) a také t-SNE a UMAP, které se často používají pro vizualizaci. Urychluje výpočty, snižuje riziko přeučení a usnadňuje pochopení dat – například když se stovky atributů zákazníků zobrazí na dvourozměrném grafu, kde podobní zákazníci leží blízko sebe.

  • analýza dat
  • PCA
  • +1