ES
Iniciar sesiónEmpezar
Glosario

Agrupamiento K-means

¿Qué es 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.

Cómo ayuda KI.ordo

La plantilla de KI.ordo para agrupar consultas por temas persigue un objetivo parecido, pero forma los grupos con un modelo de lenguaje en lugar de con K-means.

Más información →: Agrupamiento K-means

Plantillas adecuadas

Temas

  • Agrupamiento
  • Aprendizaje no supervisado
  • Algoritmo

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

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.

  • aprendizaje no supervisado
  • agrupamiento
  • +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

K vecinos más cercanos (k-NN)

Los k vecinos más cercanos (k-NN) son un método sencillo de aprendizaje supervisado. Para clasificar un dato nuevo, busca los k ejemplos conocidos más parecidos y adopta su clase más frecuente o, si son valores numéricos, su media. No necesita un entrenamiento propiamente dicho, pero se vuelve lento con muchos datos y es sensible a la escala de las variables. Ejemplo: recomendar productos a partir de clientes similares.

  • Clasificación
  • Aprendizaje supervisado
  • +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