Sanasto

Ohjaamaton oppiminen

Mikä on 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.

Aiheet

Koneoppiminen
Clustering
Perusominaisuudet

Kokeile KI.ordoa

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

Aloita demo

← Kaikki termit

Liittyvät termit

Ohjattu oppiminen

Ohjatussa oppimisessa malli oppii esimerkeistä, joiden oikea vastaus tunnetaan jo, kuten sähköposteista, jotka on merkitty ”roskaposti” tai ”ei roskaposti”. Niistä se johtaa sääntöjä, joilla uudet, ennen näkemättömät tapaukset luokitellaan tai arvoja ennustetaan. Tyypillisiä tehtäviä ovat luokittelu ja regressio; suurin osa työstä menee siistin luokitellun datan luomiseen.

Koneoppiminen
Training
+1

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

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

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