DA
Log indKom i gang
Ordliste

K-means-klyngeanalyse

Hvad er K-means-klyngeanalyse?

K-means er en metode til uovervåget læring, der opdeler datapunkter i et forud fastlagt antal k grupper. Den tildeler hvert punkt til det nærmeste gruppecentrum og bliver ved med at flytte disse centre, til tildelingerne næsten ikke ændrer sig. Metoden er hurtig og let at forstå, men kræver et fornuftigt valg af k og features på sammenlignelige skalaer. Eksempel: Gruppering af kunder efter købsfrekvens og kurvværdi.

Sådan hjælper KI.ordo

KI.ordos skabelon til at gruppere henvendelser efter emne har et lignende formål, men danner grupperne med en sprogmodel i stedet for k-means.

Læs mere : K-means-klyngeanalyse

Matchende skabeloner

Emner

  • Clustering
  • Uovervåget læring
  • Algoritme

Prøv KI.ordo

Agenter, flows og skabeloner i ét arbejdsområde – gratis demo i 24 timer.

Start demo
← Alle begreber

Relaterede begreber

Clustering

Klyngeanalyse (clustering) er en metode inden for unsupervised learning, der inddeler datapunkter i grupper ud fra deres lighed uden foruddefinerede kategorier. Den afslører mønstre, som ingen har sat navn på før – for eksempel kundesegmenter med lignende købsadfærd. Ved tekster hjælper klyngeanalyse med at sortere hundredvis af kundehenvendelser i emner som levering, fakturering eller klager og viser, hvor tyngdepunktet ligger.

  • unsupervised learning
  • gruppering
  • +1
Skabelon

Unsupervised learning

Ved unsupervised learning får en model data uden foruddefinerede rigtige svar og leder selv efter strukturer. Typiske metoder er clustering, som grupperer ensartede datasæt, og dimensionsreduktion, som komprimerer mange features til nogle få væsentlige. Organisationer bruger det til at opdage kundesegmenter eller spotte usædvanlige transaktioner; de fundne grupper skal derefter fortolkes af fagfolk.

  • Maskinlæring
  • Clustering
  • +1

K-nærmeste naboer

K-nærmeste naboer (k-NN) er en simpel metode til overvåget læring. For at klassificere et nyt datapunkt leder den efter de k mest ensartede kendte eksempler og overtager deres hyppigste klasse eller, for numeriske værdier, deres gennemsnit. Den kræver ingen egentlig træningsfase, men bliver langsom med store datasæt og er følsom over for, hvordan features skaleres. Eksempel: Produktanbefalinger baseret på lignende kunder.

  • Klassificering
  • Overvåget læring
  • +1

Dimensionsreduktion

Dimensionsreduktion nedbringer antallet af features i et datasæt uden at miste den væsentlige information. Kendte metoder er principalkomponentanalyse (PCA) samt t-SNE og UMAP, som ofte bruges til visualisering. Det fremskynder beregninger, mindsker risikoen for overfitting og gør data lettere at overskue – f.eks. når hundredvis af kundeegenskaber afbildes på et todimensionalt diagram, hvor ensartede kunder ligger tæt på hinanden.

  • dataanalyse
  • PCA
  • +1