HR
PrijavaZapočnite odmah
Pojmovnik

Klasteriranje K-means

Što je Klasteriranje K-means?

K-means je metoda nenadziranog učenja koja podatkovne točke dijeli u unaprijed zadan broj k skupina. Svaku točku dodjeljuje najbližem središtu skupine i neprestano pomiče ta središta dok se dodjele jedva mijenjaju. Metoda je brza i lako razumljiva, ali zahtijeva razuman odabir k i obilježja na usporedivim ljestvicama. Primjer: grupiranje klijenata prema učestalosti kupnje i vrijednosti košarice.

Kako KI.ordo pomaže

Predložak u KI.ordo za grupiranje upita po temama slijedi sličan cilj, ali skupine oblikuje jezičnim modelom, a ne metodom k-means.

Saznajte više : Klasteriranje K-means

Odgovarajući predlošci

Teme

  • Clustering
  • Nenadzirano učenje
  • Algoritam

Isprobajte KI.ordo

Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.

Pokrenite demo
← Svi pojmovi

Srodni pojmovi

Clustering

Klasteriranje je metoda nenadziranog učenja koja dijeli podatkovne točke u skupine prema njihovoj sličnosti, bez unaprijed definiranih kategorija. Otkriva obrasce koje nitko prije nije imenovao – primjerice segmente kupaca sa sličnim kupovnim ponašanjem. Kod tekstova klasteriranje pomaže razvrstati stotine upita kupaca u teme kao što su isporuka, naplata ili pritužbe i pokazuje gdje je težište.

  • nenadzirano učenje
  • grupiranje
  • +1
Predložak

Nenadzirano učenje

Kod nenadziranog učenja model prima podatke bez unaprijed zadanih točnih odgovora i sam traži strukture. Tipične metode su klasteriranje, koje grupira slične zapise, i smanjenje dimenzionalnosti, koje mnogo značajki sažima u nekoliko bitnih. Organizacije ga koriste za otkrivanje segmenata klijenata ili uočavanje neobičnih transakcija; pronađene skupine zatim moraju protumačiti stručnjaci za to područje.

  • Strojno učenje
  • Clustering
  • +1

K najbližih susjeda (K-Nearest Neighbours)

K najbližih susjeda (k-NN) jednostavna je metoda nadziranog učenja. Za klasifikaciju nove podatkovne točke traži k najsličnijih poznatih primjera i preuzima njihovu najčešću klasu ili, za numeričke vrijednosti, njihov prosjek. Ne treba pravu fazu treniranja, ali postaje spora s velikim skupovima podataka i osjetljiva je na način skaliranja obilježja. Primjer: preporuke proizvoda na temelju sličnih klijenata.

  • Procjena
  • Nadzirano učenje
  • +1

Smanjenje dimenzionalnosti

Smanjenje dimenzionalnosti smanjuje broj obilježja u skupu podataka bez gubitka bitnih informacija. Poznate metode uključuju analizu glavnih komponenti (PCA) te t-SNE i UMAP, koji se često koriste za vizualizaciju. Ubrzava izračune, smanjuje rizik od pretreniranosti i olakšava razumijevanje podataka – primjerice kada se stotine atributa klijenata preslikaju na dvodimenzionalni grafikon na kojem su slični klijenti blizu jedni drugima.

  • analiza podataka
  • PCA
  • +1