PT
Iniciar sessãoComeçar agora
Glossário

Agrupamento K-means

O que é Agrupamento K-means?

O K-means é um método de aprendizagem não supervisionada que divide pontos de dados num número k de grupos predefinido. Atribui cada ponto ao centro de grupo mais próximo e continua a deslocar esses centros até as atribuições quase não mudarem. O método é rápido e fácil de compreender, mas exige uma escolha sensata de k e características em escalas comparáveis. Exemplo: agrupar clientes por frequência de compra e valor do cesto.

Como o KI.ordo ajuda

O modelo do KI.ordo para agrupar pedidos por tema persegue um objetivo semelhante, mas forma os grupos com um modelo de linguagem em vez de k-means.

Saber mais : Agrupamento K-means

Modelos correspondentes

Temas

  • Clustering
  • Aprendizagem não supervisionada
  • Algoritmo

Experimentar o KI.ordo

Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.

Iniciar demonstração
← Todos os termos

Termos relacionados

Clustering

O clustering é um método de aprendizagem não supervisionada que divide pontos de dados em grupos com base na sua semelhança, sem categorias predefinidas. Revela padrões que ninguém tinha identificado antes – por exemplo, segmentos de clientes com comportamentos de compra semelhantes. Com textos, o clustering ajuda a organizar centenas de pedidos de clientes por temas como entrega, faturação ou reclamações e mostra onde está o foco.

  • aprendizagem não supervisionada
  • agrupamento
  • +1
Modelo

Aprendizagem não supervisionada

Na aprendizagem não supervisionada, um modelo recebe dados sem respostas corretas predefinidas e procura estruturas por conta própria. Os métodos típicos são o clustering, que agrupa registos semelhantes, e a redução de dimensionalidade, que condensa muitas características em algumas essenciais. As organizações utilizam-na para descobrir segmentos de clientes ou detetar transações invulgares; os grupos encontrados têm depois de ser interpretados por especialistas da área.

  • Aprendizagem automática
  • Clustering
  • +1

K vizinhos mais próximos

Os K vizinhos mais próximos (k-NN) são um método simples de aprendizagem supervisionada. Para classificar um novo ponto de dados, procuram os k exemplos conhecidos mais semelhantes e adotam a sua classe mais frequente ou, no caso de valores numéricos, a sua média. Não precisa de uma fase de treino propriamente dita, mas torna-se lento com grandes conjuntos de dados e é sensível à forma como as características são escaladas. Exemplo: recomendações de produtos com base em clientes semelhantes.

  • Classificação
  • Aprendizagem supervisionada
  • +1

Redução de dimensionalidade

A redução de dimensionalidade diminui o número de características de um conjunto de dados sem perder a informação essencial. Entre os métodos mais conhecidos estão a análise de componentes principais (PCA), bem como o t-SNE e o UMAP, frequentemente usados para visualização. Acelera os cálculos, reduz o risco de sobreajuste e torna os dados mais fáceis de compreender – por exemplo, quando centenas de atributos de clientes são projetados num gráfico bidimensional em que clientes semelhantes ficam próximos uns dos outros.

  • análise de dados
  • PCA
  • +1