FR
Se connecterCommencer
Glossaire

Partitionnement en k-moyennes (k-means)

Qu’est-ce que Partitionnement en k-moyennes (k-means) ?

Les k-moyennes (k-means) sont une méthode d'apprentissage non supervisé qui répartit des données en un nombre k de groupes fixé à l'avance. Chaque point est affecté au centre de groupe le plus proche, puis les centres sont recalculés jusqu'à ce que les affectations ne changent presque plus. La méthode est rapide et intuitive, mais suppose un choix pertinent de k et des variables à des échelles comparables. Exemple : regrouper des clients selon leur fréquence d'achat et leur panier moyen.

Ce que fait KI.ordo

Le modèle KI.ordo de regroupement des demandes par thème poursuit un objectif proche, mais forme les groupes avec un modèle de langage plutôt qu'avec les k-moyennes.

En savoir plus →: Partitionnement en k-moyennes (k-means)

Modèles adaptés

Thèmes

  • Clustering
  • Apprentissage non supervisé
  • Algorithme

Essayer KI.ordo

Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.

Lancer la démo
← Tous les termes

Termes associés

Clustering

Le clustering (partitionnement) est une méthode d'apprentissage non supervisé qui répartit des données en groupes selon leur similarité, sans catégories définies à l'avance. Il fait apparaître des structures que personne n'avait encore nommées, par exemple des segments de clients aux comportements d'achat proches. Appliqué aux textes, il permet de classer des centaines de demandes clients par thème – livraison, facturation, réclamation – et d'en dégager les priorités.

  • apprentissage non supervisé
  • regroupement
  • +1
Modèle

Apprentissage non supervisé

En apprentissage non supervisé, un modèle reçoit des données sans réponses correctes prédéfinies et recherche lui-même des structures. Les méthodes typiques sont le clustering, qui regroupe les enregistrements similaires, et la réduction de dimension, qui condense de nombreuses variables en quelques-unes essentielles. Les entreprises s'en servent pour découvrir des segments de clientèle ou repérer des transactions inhabituelles ; les groupes obtenus doivent ensuite être interprétés par des experts métier.

  • Machine learning
  • Clustering
  • +1

K plus proches voisins (k-NN)

Les k plus proches voisins (k-NN) sont une méthode simple d'apprentissage supervisé. Pour classer un nouveau point, l'algorithme cherche les k exemples connus les plus semblables et reprend leur classe majoritaire ou, pour des valeurs numériques, leur moyenne. Il ne nécessite pas de véritable entraînement, mais devient lent sur de gros volumes et reste sensible à l'échelle des variables. Exemple : recommander des produits à partir de clients similaires.

  • Classification
  • Apprentissage supervisé
  • +1

Réduction de dimension

La réduction de dimension diminue le nombre de variables d'un jeu de données sans perdre l'information essentielle. Parmi les méthodes connues figurent l'analyse en composantes principales (ACP) ainsi que t-SNE et UMAP, souvent utilisées pour la visualisation. Elle accélère les calculs, réduit le risque de surapprentissage et rend les données lisibles – par exemple en projetant des centaines d'attributs clients sur une carte en deux dimensions où les clients semblables sont proches.

  • analyse de données
  • ACP
  • +1