ES
Iniciar sesiónEmpezar
Glosario

Clustering

¿Qué es Clustering?

El clustering (agrupamiento) es un método de aprendizaje no supervisado que divide los datos en grupos según su similitud, sin categorías predefinidas. Así salen a la luz patrones que nadie había nombrado, por ejemplo segmentos de clientes con hábitos de compra parecidos. Con textos, ayuda a ordenar cientos de consultas de clientes por temas como envío, facturación o reclamaciones y a ver dónde se concentran.

Cómo ayuda KI.ordo

KI.ordo incluye una plantilla que ordena una lista de consultas en entre tres y ocho grupos temáticos con recuento, ejemplos y recomendación.

Más información →: Clustering

Plantillas adecuadas

Temas

  • aprendizaje no supervisado
  • agrupamiento
  • análisis de datos

Probar KI.ordo

Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.

Iniciar demo
← Todos los términos

Términos relacionados

Agrupamiento K-means

K-means es un método de aprendizaje no supervisado que reparte los datos en un número k de grupos fijado de antemano. Asigna cada punto al centro de grupo más cercano y desplaza esos centros hasta que las asignaciones apenas cambian. Es rápido y fácil de entender, pero exige elegir bien k y usar variables en escalas comparables. Ejemplo: agrupar clientes según frecuencia de compra y valor medio del carrito.

  • Agrupamiento
  • Aprendizaje no supervisado
  • +1
Plantilla

Aprendizaje no supervisado

En el aprendizaje no supervisado, un modelo recibe datos sin respuestas correctas predefinidas y busca estructuras por sí mismo. Los métodos típicos son el clustering, que agrupa registros parecidos, y la reducción de dimensionalidad, que condensa muchas variables en unas pocas esenciales. Puedes usarlo para descubrir segmentos de clientes o detectar transacciones inusuales; después, alguien con conocimiento del negocio debe interpretar los grupos encontrados.

  • Machine learning
  • Clustering
  • +1

Reducción de dimensionalidad

La reducción de dimensionalidad disminuye el número de variables de un conjunto de datos sin perder la información esencial. Métodos conocidos son el análisis de componentes principales (PCA) y t-SNE y UMAP, que se usan a menudo para visualizar. Acelera los cálculos, reduce el riesgo de sobreajuste y hace los datos más comprensibles, por ejemplo al llevar cientos de atributos de clientes a un mapa bidimensional en el que los clientes parecidos quedan cerca.

  • análisis de datos
  • PCA
  • +1

Clasificación de textos

La clasificación de textos asigna automáticamente textos a categorías predefinidas, por ejemplo correos según el tipo de consulta, reseñas según el sentimiento o documentos según el tema. Antes había que entrenar modelos propios con ejemplos etiquetados; hoy los grandes modelos de lenguaje suelen clasificar a partir de una simple descripción. Así puedes preclasificar consultas y enviarlas antes al equipo adecuado.

  • NLP
  • Clasificación
  • +1
Plantilla