NL
InloggenAan de slag
Woordenlijst

K-means-clustering

Wat is K-means-clustering?

K-means is een methode voor ongesuperviseerd leren die datapunten verdeelt in een vooraf bepaald aantal k groepen. Ze wijst elk punt toe aan het dichtstbijzijnde groepscentrum en blijft deze centra verschuiven totdat de toewijzingen nauwelijks nog veranderen. De methode is snel en makkelijk te begrijpen, maar vereist een zinvolle keuze van k en kenmerken op vergelijkbare schalen. Voorbeeld: klanten groeperen op aankoopfrequentie en winkelmandwaarde.

Hoe KI.ordo helpt

Het KI.ordo-sjabloon voor het groeperen van vragen per onderwerp streeft een vergelijkbaar doel na, maar vormt de groepen met een taalmodel in plaats van met k-means.

Meer informatie : K-means-clustering

Passende sjablonen

Onderwerpen

  • Clustering
  • Ongesuperviseerd leren
  • Algoritme

KI.ordo uitproberen

Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.

Demo starten
← Alle begrippen

Verwante begrippen

Clustering

Clustering is een methode voor unsupervised learning die datapunten op basis van hun gelijkenis in groepen indeelt, zonder vooraf gedefinieerde categorieën. Zo komen patronen aan het licht die nog niemand had benoemd – bijvoorbeeld klantsegmenten met vergelijkbaar koopgedrag. Bij teksten helpt clustering om honderden klantvragen te sorteren in onderwerpen zoals levering, facturering of klachten, en laat het zien waar het zwaartepunt ligt.

  • unsupervised learning
  • groeperen
  • +1
Sjabloon

Niet-gesuperviseerd leren

Bij niet-gesuperviseerd leren krijgt een model gegevens zonder vooraf bepaalde juiste antwoorden en zoekt het zelf naar structuren. Typische methoden zijn clustering, dat vergelijkbare records groepeert, en dimensiereductie, die veel features terugbrengt tot een paar essentiële. Organisaties gebruiken het om klantsegmenten te ontdekken of ongebruikelijke transacties op te sporen; de gevonden groepen moeten daarna door vakexperts worden geïnterpreteerd.

  • Machine learning
  • Clustering
  • +1

K-nearest neighbours

K-nearest neighbours (k-NN) is een eenvoudige methode voor gesuperviseerd leren. Om een nieuw datapunt te classificeren zoekt ze de k meest gelijkende bekende voorbeelden en neemt ze hun meest voorkomende klasse over of, bij numerieke waarden, hun gemiddelde. Ze heeft geen echte trainingsfase nodig, maar wordt traag bij grote datasets en is gevoelig voor de schaling van kenmerken. Voorbeeld: productaanbevelingen op basis van vergelijkbare klanten.

  • Inschatting
  • Gesuperviseerd leren
  • +1

Dimensiereductie

Dimensiereductie verlaagt het aantal kenmerken in een dataset zonder de essentiële informatie te verliezen. Bekende methoden zijn onder meer de hoofdcomponentenanalyse (PCA) en t-SNE en UMAP, die vaak voor visualisatie worden gebruikt. Het versnelt berekeningen, verkleint het risico op overfitting en maakt data beter te overzien – bijvoorbeeld wanneer honderden klantkenmerken worden afgebeeld op een tweedimensionale grafiek waarin vergelijkbare klanten dicht bij elkaar liggen.

  • data-analyse
  • PCA
  • +1