IT
AccediInizia ora
Glossario

Clustering K-means

Che cos’è Clustering K-means?

K-means è un metodo di apprendimento non supervisionato che suddivide i dati in un numero k di gruppi stabilito in anticipo. Assegna ogni punto al centro di gruppo più vicino e sposta questi centri finché le assegnazioni quasi non cambiano più. Il metodo è rapido e intuitivo, ma richiede una scelta sensata di k e caratteristiche su scale confrontabili. Esempio: raggruppare i clienti per frequenza d'acquisto e valore del carrello.

Come aiuta KI.ordo

Il modello di KI.ordo per raggruppare le richieste per tema persegue un obiettivo simile, ma forma i gruppi con un modello linguistico anziché con K-means.

Scopri di più →: Clustering K-means

Modelli adatti

Temi

  • Clustering
  • Apprendimento non supervisionato
  • Algoritmo

Prova KI.ordo

Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.

Avvia demo
← Tutti i termini

Termini correlati

Clustering

Il clustering è un metodo di apprendimento non supervisionato che suddivide i dati in gruppi in base alla loro somiglianza, senza categorie predefinite. Fa emergere schemi che nessuno aveva ancora individuato, ad esempio segmenti di clienti con comportamenti d'acquisto simili. Con i testi, il clustering aiuta a ordinare centinaia di richieste dei clienti per temi come consegna, fatturazione o reclami e a riconoscerne le priorità.

  • apprendimento non supervisionato
  • raggruppamento
  • +1
Modello

Apprendimento non supervisionato

Nell'apprendimento non supervisionato un modello riceve dati senza risposte corrette predefinite e cerca da solo delle strutture. Metodi tipici sono il clustering, che raggruppa record simili, e la riduzione della dimensionalità, che condensa molte caratteristiche in poche essenziali. Le aziende lo usano per scoprire segmenti di clientela o individuare transazioni insolite; i gruppi trovati vanno poi interpretati da esperti.

  • Machine learning
  • Clustering
  • +1

K-nearest neighbors (k vicini più prossimi)

K-nearest neighbors (k-NN) è un semplice metodo di apprendimento supervisionato. Per classificare un nuovo dato cerca i k esempi noti più simili e ne adotta la classe più frequente oppure, per valori numerici, la media. Non richiede un vero addestramento, ma diventa lento con grandi quantità di dati ed è sensibile alla scala delle caratteristiche. Esempio: suggerire prodotti in base a clienti simili.

  • Classificazione
  • Apprendimento supervisionato
  • +1

Riduzione della dimensionalità

La riduzione della dimensionalità diminuisce il numero di caratteristiche di un insieme di dati senza perdere le informazioni essenziali. Metodi noti sono l'analisi delle componenti principali (PCA) e t-SNE e UMAP, spesso usati per la visualizzazione. Accelera i calcoli, riduce il rischio di overfitting e rende i dati più leggibili, ad esempio quando centinaia di attributi dei clienti vengono riportati su una mappa bidimensionale in cui i clienti simili sono vicini.

  • analisi dei dati
  • PCA
  • +1