LV
PieteiktiesSākt tagad
Glosārijs

K-vidējo klasterizācija (k-means)

Kas ir K-vidējo klasterizācija (k-means)?

K-vidējo metode (k-means) ir mācīšanās bez uzraudzības metode, kas datu punktus sadala iepriekš noteiktā skaitā k grupu. Tā katru punktu piešķir tuvākajam grupas centram un turpina pārvietot šos centrus, līdz piešķīrumi gandrīz vairs nemainās. Metode ir ātra un viegli saprotama, taču prasa saprātīgu k izvēli un salīdzināma mēroga pazīmes. Piemērs: klientu grupēšana pēc pirkumu biežuma un groza vērtības.

Kā palīdz KI.ordo

KI.ordo veidne pieprasījumu grupēšanai pēc tēmas tiecas uz līdzīgu mērķi, taču grupas veido ar valodas modeli, nevis ar k-means.

Uzzināt vairāk : K-vidējo klasterizācija (k-means)

Atbilstošas veidnes

Tēmas

  • Clustering
  • Mācīšanās bez uzraudzības
  • Algoritms

Izmēģiniet KI.ordo

Aģenti, plūsmas un veidnes vienā darbvietā – bezmaksas 24 stundu demo.

Sākt demo
← Visi termini

Saistītie termini

Clustering

Klasterizācija ir nepārraudzītas mācīšanās metode, kas sadala datu punktus grupās pēc to līdzības bez iepriekš noteiktām kategorijām. Tā atklāj modeļus, kurus neviens iepriekš nav nosaucis, – piemēram, klientu segmentus ar līdzīgu pirkšanas uzvedību. Tekstu gadījumā klasterizācija palīdz sakārtot simtiem klientu pieprasījumu tēmās, piemēram, piegāde, rēķini vai sūdzības, un parāda, kur ir uzsvars.

  • nepārraudzītā mācīšanās
  • grupēšana
  • +1
Veidne

Neuzraudzītā mācīšanās

Neuzraudzītajā mācīšanā modelis saņem datus bez iepriekš definētām pareizajām atbildēm un pats meklē struktūras. Tipiskas metodes ir klasterizācija, kas grupē līdzīgus ierakstus, un dimensiju samazināšana, kas daudzas pazīmes sasaista dažās būtiskās. Organizācijas to izmanto, lai atklātu klientu segmentus vai pamanītu neparastus darījumus; atrastās grupas pēc tam jāinterpretē jomas ekspertiem.

  • Mašīnmācīšanās
  • Clustering
  • +1

K tuvākie kaimiņi (k-NN)

K tuvāko kaimiņu metode (k-NN) ir vienkārša mācīšanās ar uzraudzību metode. Lai klasificētu jaunu datu punktu, tā meklē k visvairāk līdzīgus zināmus piemērus un pārņem to biežāko klasi vai, skaitliskām vērtībām, to vidējo vērtību. Tai nav īsta apmācības posma, taču ar lielām datu kopām tā kļūst lēna un ir jutīga pret pazīmju mērogošanu. Piemērs: produktu ieteikumi, kas balstīti uz līdzīgiem klientiem.

  • Novērtējums
  • Mācīšanās ar uzraudzību
  • +1

Dimensiju samazināšana

Dimensiju samazināšana mazina datu kopas pazīmju skaitu, nezaudējot būtisko informāciju. Plaši pazīstamas metodes ir galveno komponentu analīze (PCA), kā arī t-SNE un UMAP, ko bieži izmanto vizualizācijai. Tā paātrina aprēķinus, mazina pārmācīšanās risku un padara datus vieglāk aptveramus — piemēram, ja simtiem klientu atribūtu tiek attēloti divdimensiju diagrammā, kurā līdzīgi klienti atrodas tuvu cits citam.

  • datu analīze
  • PCA
  • +1