LT
PrisijungtiPradėti
Terminų žodynas

K vidurkių klasterizavimas (K-Means)

Kas yra K vidurkių klasterizavimas (K-Means)?

K vidurkių metodas (k-means) yra mokymosi be priežiūros metodas, kuris duomenų taškus padalija į iš anksto nustatytą skaičių k grupių. Jis kiekvieną tašką priskiria artimiausiam grupės centrui ir tol perkelia šiuos centrus, kol priskyrimai beveik nebesikeičia. Metodas greitas ir lengvai suprantamas, bet reikalauja pagrįstai parinkti k ir kad požymiai būtų panašių mastelių. Pavyzdys: klientų grupavimas pagal pirkimo dažnumą ir krepšelio vertę.

Kaip padeda KI.ordo

KI.ordo šablonas užklausoms grupuoti pagal temą siekia panašaus tikslo, bet grupes formuoja kalbos modeliu, o ne k vidurkių metodu.

Sužinoti daugiau : K vidurkių klasterizavimas (K-Means)

Tinkami šablonai

Temos

  • Clustering
  • mokymasis be priežiūros
  • algoritmas

Išbandykite KI.ordo

Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.

Pradėti demonstraciją
← Visi terminai

Susiję terminai

Clustering

Klasterizavimas – neprižiūrimojo mokymosi metodas, kuris duomenų taškus suskirsto į grupes pagal panašumą be iš anksto apibrėžtų kategorijų. Jis atskleidžia dėsningumus, kurių niekas anksčiau nebuvo įvardijęs, pavyzdžiui, panašaus pirkimo elgesio klientų segmentus. Dirbant su tekstais klasterizavimas padeda šimtus klientų užklausų suskirstyti į temas, pavyzdžiui, pristatymas, sąskaitos ar skundai, ir parodo, kur sutelktas dėmesys.

  • neprižiūrimasis mokymasis
  • grupavimas
  • +1
Šablonas

Neprižiūrimas mokymasis

Neprižiūrimo mokymosi metu modelis gauna duomenis be iš anksto nustatytų teisingų atsakymų ir pats ieško struktūrų. Tipiniai metodai: klasterizavimas, grupuojantis panašius įrašus, ir dimensijų mažinimas, sutraukiantis daug požymių į kelis svarbiausius. Organizacijos jį naudoja klientų segmentams atrasti ar neįprastiems sandoriams pastebėti; rastas grupes paskui turi interpretuoti srities ekspertai.

  • Mašininis mokymasis
  • Clustering
  • +1

K artimiausių kaimynų metodas

K artimiausių kaimynų metodas (k-NN) yra paprastas mokymosi su priežiūra metodas. Norėdamas klasifikuoti naują duomenų tašką, jis ieško k panašiausių žinomų pavyzdžių ir perima jų dažniausią klasę arba, skaitinėms reikšmėms, jų vidurkį. Jam nereikia tikros mokymo fazės, tačiau jis tampa lėtas su dideliais duomenų rinkiniais ir jautrus požymių mastelio parinkimui. Pavyzdys: produktų rekomendacijos pagal panašius klientus.

  • Įvertinimas
  • mokymasis su priežiūra
  • +1

Dimensijų mažinimas

Dimensijų mažinimas sumažina duomenų rinkinio požymių skaičių neprarandant esminės informacijos. Gerai žinomi metodai yra pagrindinių komponenčių analizė (PCA) bei t-SNE ir UMAP, dažnai naudojami vizualizacijai. Tai pagreitina skaičiavimus, sumažina persimokymo riziką ir palengvina duomenų suvokimą – pavyzdžiui, kai šimtai klientų požymių atvaizduojami dvimatėje diagramoje, kurioje panašūs klientai išsidėsto arti vienas kito.

  • duomenų analizė
  • PCA
  • +1