RO
AutentificareÎncepeți acum
Glosar

Clustering

Ce este Clustering?

Clusteringul este o metodă de învățare nesupervizată care împarte punctele de date în grupuri pe baza similarității lor, fără categorii predefinite. Acesta scoate la iveală tipare pe care nimeni nu le-a denumit înainte – de exemplu segmente de clienți cu un comportament de cumpărare similar. În cazul textelor, clusteringul ajută la sortarea a sute de solicitări ale clienților pe subiecte precum livrarea, facturarea sau reclamațiile și arată unde se află accentul.

Cum ajută KI.ordo

KI.ordo include un șablon care sortează o listă de solicitări în trei până la opt grupuri tematice, cu numărul lor, exemple și o recomandare.

Aflați mai multe : Clustering

Șabloane potrivite

Subiecte

  • învățare nesupervizată
  • grupare
  • analiza datelor

Încercați KI.ordo

Agenți, fluxuri și șabloane într-un singur spațiu de lucru – demo gratuit de 24 de ore.

Porniți demo-ul
← Toți termenii

Termeni înrudiți

Clusterizarea K-Means

K-means este o metodă de învățare nesupervizată care împarte punctele de date într-un număr k de grupuri stabilit în prealabil. Atribuie fiecare punct celui mai apropiat centru de grup și tot mută aceste centre până când atribuirile aproape că nu se mai schimbă. Metoda este rapidă și ușor de înțeles, dar necesită o alegere rezonabilă a lui k și caracteristici pe scări comparabile. Exemplu: gruparea clienților după frecvența achizițiilor și valoarea coșului.

  • Clustering
  • Învățare nesupervizată
  • +1
Șablon

Învățare nesupravegheată

În învățarea nesupravegheată, un model primește date fără răspunsuri corecte predefinite și caută singur structuri. Metodele tipice sunt clusteringul, care grupează înregistrări similare, și reducerea dimensionalității, care condensează multe caracteristici în câteva esențiale. Organizațiile o folosesc pentru a descoperi segmente de clienți sau pentru a depista tranzacții neobișnuite; grupurile găsite trebuie apoi interpretate de experți în domeniu.

  • Învățare automată
  • Clustering
  • +1

Reducerea dimensionalității

Reducerea dimensionalității scade numărul de caracteristici dintr-un set de date fără a pierde informațiile esențiale. Metodele cunoscute includ analiza componentelor principale (PCA), precum și t-SNE și UMAP, utilizate adesea pentru vizualizare. Accelerează calculele, reduce riscul de supraînvățare și face datele mai ușor de înțeles – de exemplu atunci când sute de atribute ale clienților sunt proiectate pe un grafic bidimensional în care clienții similari se află aproape unii de alții.

  • analiza datelor
  • PCA
  • +1

Clasificarea textelor

Clasificarea textelor atribuie automat texte unor categorii predefinite, de exemplu e-mailuri după tipul solicitării, recenzii după sentiment sau documente după temă. Anterior, aceasta presupunea antrenarea unor modele dedicate pe exemple etichetate; astăzi, modelele lingvistice de mari dimensiuni pot adesea atribui categorii doar pe baza unei descrieri. Astfel, solicitările pot fi presortate și direcționate mai rapid către echipa potrivită.

  • NLP
  • Clasificare
  • +1
Șablon