ET
Logi sisseAlusta kohe
Sõnastik

K-keskmiste klasterdamine

Mis on K-keskmiste klasterdamine?

K-keskmiste meetod (k-means) on juhendamata õppe meetod, mis jagab andmepunktid ettemääratud arvuks k rühmaks. See määrab iga punkti lähimasse rühma keskpunkti ja liigutab neid keskpunkte seni, kuni jaotused peaaegu enam ei muutu. Meetod on kiire ja lihtsasti mõistetav, kuid nõuab k mõistlikku valikut ja võrreldavas skaalas tunnuseid. Näide: klientide rühmitamine ostusageduse ja ostukorvi väärtuse järgi.

Kuidas KI.ordo aitab

KI.ordo mall päringute rühmitamiseks teemade kaupa taotleb sarnast eesmärki, kuid moodustab rühmad keelemudeliga, mitte k-keskmiste meetodiga.

Loe lähemalt : K-keskmiste klasterdamine

Sobivad mallid

Teemad

  • Clustering
  • Juhendamata õpe
  • Algoritm

Proovi KI.ordot

Agendid, töövood ja mallid ühes tööruumis – tasuta 24-tunnine demo.

Alusta demot
← Kõik terminid

Seotud terminid

Clustering

Klasterdamine on juhendamata õppe meetod, mis jagab andmepunktid nende sarnasuse põhjal rühmadesse ilma eelnevalt määratud kategooriateta. See toob esile mustrid, mida keegi pole varem nimetanud – näiteks sarnase ostukäitumisega kliendisegmendid. Tekstide puhul aitab klasterdamine sorteerida sadu kliendipäringuid teemadesse, nagu tarne, arveldamine või kaebused, ja näitab, kus on rõhuasetus.

  • juhendamata õpe
  • rühmitamine
  • +1
Mall

Juhendamata õpe

Juhendamata õppes saab mudel andmeid ilma etteantud õigete vastusteta ja otsib ise struktuure. Tüüpilised meetodid on klasterdamine, mis rühmitab sarnased kirjed, ja mõõtmelisuse vähendamine, mis tihendab paljud tunnused mõneks põhiliseks. Organisatsioonid kasutavad seda kliendisegmentide avastamiseks või ebatavaliste tehingute märkamiseks; leitud rühmi peavad seejärel tõlgendama valdkonnaeksperdid.

  • Masinõpe
  • Clustering
  • +1

K lähimat naabrit

K lähimat naabrit (k-nearest neighbours, k-NN) on lihtne juhendatud õppe meetod. Uue andmepunkti klassifitseerimiseks otsib see k kõige sarnasemat teadaolevat näidet ning võtab nende kõige sagedasema klassi või arvuliste väärtuste puhul nende keskmise. See ei vaja päris treeningfaasi, kuid muutub suurte andmehulkade puhul aeglaseks ja on tundlik tunnuste skaleerimise suhtes. Näide: tootesoovitused sarnaste klientide põhjal.

  • Liigitus
  • Juhendatud õpe
  • +1

Dimensionaalsuse vähendamine

Dimensionaalsuse vähendamine vähendab andmehulga tunnuste arvu, kaotamata olulist infot. Tuntud meetodid on peakomponentide analüüs (PCA) ning t-SNE ja UMAP, mida kasutatakse sageli visualiseerimiseks. See kiirendab arvutusi, vähendab ülesobitamise riski ja muudab andmed paremini mõistetavaks – näiteks kui sadu kliendi tunnuseid kujutatakse kahemõõtmelisel diagrammil, kus sarnased kliendid asuvad üksteise lähedal.

  • andmeanalüüs
  • PCA
  • +1