FI
Kirjaudu sisäänAloita nyt
Sanasto

Clustering

Mikä on Clustering?

Klusterointi on ohjaamattoman oppimisen menetelmä, joka jakaa datapisteet ryhmiin niiden samankaltaisuuden perusteella ilman ennalta määriteltyjä kategorioita. Se paljastaa kaavoja, joita kukaan ei ole aiemmin nimennyt – esimerkiksi asiakassegmenttejä, joilla on samankaltainen ostokäyttäytyminen. Tekstien kohdalla klusterointi auttaa lajittelemaan satoja asiakkaiden yhteydenottoja aiheisiin, kuten toimitukseen, laskutukseen tai reklamaatioihin, ja näyttää, mihin painopiste asettuu.

Miten KI.ordo auttaa

KI.ordossa on malli, joka lajittelee yhteydenottojen luettelon kolmesta kahdeksaan aiheryhmään määrineen, esimerkkeineen ja suosituksineen.

Lue lisää : Clustering

Sopivat mallit

Aiheet

  • ohjaamaton oppiminen
  • ryhmittely
  • data-analyysi

Kokeile KI.ordoa

Agentit, työnkulut ja mallit yhdessä työtilassa – maksuton 24 tunnin demo.

Aloita demo
← Kaikki termit

Liittyvät termit

K-means-klusterointi

K-means on ohjaamattoman oppimisen menetelmä, joka jakaa datapisteet ennalta määrättyyn määrään k ryhmiä. Se liittää jokaisen pisteen lähimpään ryhmäkeskukseen ja siirtää keskuksia, kunnes osoitukset tuskin enää muuttuvat. Menetelmä on nopea ja helppo ymmärtää, mutta edellyttää järkevää k:n valintaa ja vertailukelpoisesti skaalattuja piirteitä. Esimerkki: asiakkaiden ryhmittely ostotiheyden ja ostoskorin arvon mukaan.

  • Clustering
  • ohjaamaton oppiminen
  • +1
Malli

Ohjaamaton oppiminen

Ohjaamattomassa oppimisessa malli saa dataa ilman ennalta määriteltyjä oikeita vastauksia ja etsii rakenteita itse. Tyypillisiä menetelmiä ovat klusterointi, joka ryhmittelee samankaltaisia tietueita, ja ulottuvuuksien vähentäminen, joka tiivistää monta piirrettä muutamaksi olennaiseksi. Organisaatiot käyttävät sitä asiakassegmenttien löytämiseen tai epätavallisten tapahtumien havaitsemiseen; löydetyt ryhmät on sen jälkeen annettava alan asiantuntijoiden tulkittaviksi.

  • Koneoppiminen
  • Clustering
  • +1

Ulottuvuuksien vähentäminen

Ulottuvuuksien vähentäminen pienentää aineiston piirteiden määrää menettämättä olennaista tietoa. Tunnettuja menetelmiä ovat pääkomponenttianalyysi (PCA) sekä t-SNE ja UMAP, joita käytetään usein visualisointiin. Se nopeuttaa laskentaa, vähentää ylisovittamisen riskiä ja tekee datasta helpommin hahmotettavaa – esimerkiksi kun sadat asiakasominaisuudet kuvataan kaksiulotteiselle kaaviolle, jossa samankaltaiset asiakkaat sijaitsevat lähellä toisiaan.

  • data-analyysi
  • PCA
  • +1

Tekstin luokittelu

Tekstin luokittelu liittää tekstit automaattisesti ennalta määriteltyihin luokkiin, esimerkiksi sähköpostit pyynnön tyypin mukaan, arvostelut sentimentin mukaan tai asiakirjat aiheen mukaan. Aiemmin tämä edellytti omien mallien opettamista luokiteltujen esimerkkien avulla; nykyään suuret kielimallit pystyvät usein määrittämään luokan pelkän kuvauksen perusteella. Tämä mahdollistaa tiedustelujen esilajittelun ja nopeamman ohjaamisen oikealle tiimille.

  • NLP
  • Luokitus
  • +1
Malli