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.
Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.
Avvia demoUn classificatore è un modello o un metodo che assegna un input a una tra diverse categorie predefinite. Le varianti classiche, come gli alberi decisionali o Naive Bayes, vengono addestrate con esempi etichettati; anche i modelli linguistici possono classificare testi sulla base di una descrizione delle categorie. Usi tipici sono il rilevamento dello spam, lo smistamento delle richieste dei clienti per tema e la classificazione di documenti contabili. La qualità si misura con metriche come accuratezza, precisione e recall.
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.
Nell'apprendimento supervisionato un modello impara da esempi di cui si conosce già la risposta corretta, ad esempio e-mail etichettate come «spam» o «non spam». Da questi ricava regole per classificare casi nuovi o prevedere valori. Compiti tipici sono la classificazione e la regressione; lo sforzo principale sta nel preparare dati etichettati con cura.
Un vettore di embedding è una lista di numeri che rappresenta il significato di una parola, di una frase o di un documento in modo che testi dal contenuto simile risultino vicini. Così si può riconoscere, ad esempio, che «disdetta» e «chiudere il contratto» sono collegati pur non avendo parole in comune. Gli embedding sono alla base di molti sistemi di ricerca semantica, servizi di raccomandazione e applicazioni RAG; vengono calcolati da modelli addestrati appositamente.
