FI
Kirjaudu sisäänAloita nyt
Sanasto

K-means-klusterointi

Mikä on 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.

Miten KI.ordo auttaa

KI.ordon malli kyselyiden ryhmittelyyn aiheen mukaan tavoittelee samankaltaista päämäärää, mutta muodostaa ryhmät kielimallilla k-meansin sijaan.

Lue lisää : K-means-klusterointi

Sopivat mallit

Aiheet

  • Clustering
  • ohjaamaton oppiminen
  • algoritmi

Kokeile KI.ordoa

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

Aloita demo
← Kaikki termit

Liittyvät termit

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.

  • ohjaamaton oppiminen
  • ryhmittely
  • +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

K lähintä naapuria (k-NN)

K lähintä naapuria (k-NN) on yksinkertainen ohjatun oppimisen menetelmä. Uuden datapisteen luokittelemiseksi se etsii k samankaltaisinta tunnettua esimerkkiä ja omaksuu niiden yleisimmän luokan tai numeeristen arvojen tapauksessa niiden keskiarvon. Se ei tarvitse varsinaista koulutusvaihetta, mutta hidastuu suurilla aineistoilla ja on herkkä piirteiden skaalaukselle. Esimerkki: tuotesuositukset samankaltaisten asiakkaiden perusteella.

  • Luokitus
  • ohjattu oppiminen
  • +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