DE
AnmeldenJetzt starten
Glossar

K-Means-Clustering

Was ist K-Means-Clustering?

K-Means ist ein Verfahren des unüberwachten Lernens, das Datenpunkte in eine vorab festgelegte Zahl k von Gruppen einteilt. Es weist jeden Punkt dem nächstgelegenen Gruppenmittelpunkt zu und verschiebt diese Mittelpunkte so lange, bis sich die Zuordnung kaum noch ändert. Das Verfahren ist schnell und verständlich, setzt aber eine sinnvolle Wahl von k und vergleichbar skalierte Merkmale voraus. Beispiel: Kunden nach Kaufhäufigkeit und Warenkorbwert gruppieren.

So hilft KI.ordo

Die KI.ordo-Vorlage „Anfragen nach Themen gruppieren“ verfolgt ein ähnliches Ziel, bildet die Gruppen aber mit einem Sprachmodell statt per K-Means.

Mehr erfahren →: K-Means-Clustering

Passende Vorlagen

Themen

  • Clustering
  • Unüberwachtes Lernen
  • Algorithmus

KI.ordo ausprobieren

Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.

Demo starten
← Alle Begriffe

Verwandte Begriffe

Clustering

Clustering ist ein Verfahren des unüberwachten Lernens, das Datenpunkte ohne vorgegebene Kategorien anhand ihrer Ähnlichkeit in Gruppen einteilt. So werden Muster sichtbar, die vorher niemand benannt hat – etwa Kundensegmente mit ähnlichem Kaufverhalten. Bei Texten hilft Clustering, Hunderte Kundenanfragen nach Themen wie Lieferung, Rechnung oder Reklamation zu ordnen und Schwerpunkte zu erkennen.

  • unüberwachtes Lernen
  • Gruppierung
  • +1
Vorlage

Unüberwachtes Lernen

Beim unüberwachten Lernen (Unsupervised Learning) erhält ein Modell Daten ohne vorgegebene richtige Antworten und sucht selbstständig nach Strukturen. Typische Verfahren sind Clustering, das ähnliche Datensätze gruppiert, und Dimensionsreduktion, die viele Merkmale auf wenige wesentliche verdichtet. Unternehmen nutzen das etwa, um Kundengruppen zu entdecken oder ungewöhnliche Transaktionen aufzuspüren; die gefundenen Gruppen müssen anschließend fachlich gedeutet werden.

  • Machine Learning
  • Clustering
  • +1

K-Nearest Neighbors

K-Nearest Neighbors (k-nächste Nachbarn, kurz k-NN) ist ein einfaches Verfahren des überwachten Lernens. Um einen neuen Datenpunkt einzuordnen, sucht es die k ähnlichsten bekannten Beispiele und übernimmt deren häufigste Klasse oder bei Zahlenwerten deren Mittelwert. Es braucht kein eigentliches Training, wird bei großen Datenmengen aber langsam und reagiert empfindlich auf die Skalierung der Merkmale. Beispiel: Produktempfehlungen anhand ähnlicher Kunden.

  • Klassifikation
  • Überwachtes Lernen
  • +1

Dimensionsreduktion

Dimensionsreduktion verringert die Zahl der Merkmale eines Datensatzes, ohne die wesentlichen Informationen zu verlieren. Bekannte Verfahren sind die Hauptkomponentenanalyse (PCA) sowie t-SNE und UMAP, die oft zur Visualisierung dienen. Das beschleunigt Berechnungen, senkt das Risiko der Überanpassung und macht Daten anschaulich – etwa wenn Hunderte Kundenmerkmale auf eine zweidimensionale Karte gebracht werden, auf der ähnliche Kunden nah beieinanderliegen.

  • Datenanalyse
  • PCA
  • +1