SK
Prihlásiť saZačať
Slovník pojmov

Zhlukovanie K-means

Čo je Zhlukovanie K-means?

K-means je metóda učenia bez učiteľa, ktorá rozdeľuje dátové body do vopred stanoveného počtu k skupín. Každý bod priradí k najbližšiemu stredu skupiny a tieto stredy posúva dovtedy, kým sa priradenia takmer nemenia. Metóda je rýchla a ľahko pochopiteľná, vyžaduje však rozumnú voľbu k a znaky v porovnateľných mierkach. Príklad: zoskupenie zákazníkov podľa frekvencie nákupov a hodnoty košíka.

Ako pomáha KI.ordo

Šablóna KI.ordo na zoskupovanie dopytov podľa tém sleduje podobný cieľ, ale skupiny vytvára jazykovým modelom, nie metódou k-means.

Zistiť viac : Zhlukovanie K-means

Vhodné šablóny

Témy

  • Clustering
  • učenie bez učiteľa
  • algoritmus

Vyskúšajte KI.ordo

Agenti, postupy a šablóny v jednom pracovnom priestore – bezplatné 24-hodinové demo.

Spustiť demo
← Všetky pojmy

Súvisiace pojmy

Clustering

Zhlukovanie (clustering) je metóda učenia bez učiteľa, ktorá rozdeľuje dátové body do skupín podľa ich podobnosti, bez vopred definovaných kategórií. Odhaľuje vzory, ktoré predtým nikto nepomenoval – napríklad segmenty zákazníkov s podobným nákupným správaním. Pri textoch pomáha zhlukovanie roztriediť stovky dopytov zákazníkov do tém, ako je doručenie, fakturácia alebo reklamácie, a ukazuje, kde je ťažisko.

  • učenie bez učiteľa
  • zoskupovanie
  • +1
Šablóna

Neriadené učenie

Pri neriadenom učení model dostane dáta bez vopred daných správnych odpovedí a sám hľadá štruktúry. Typickými metódami sú zhlukovanie, ktoré zoskupuje podobné záznamy, a redukcia dimenzionality, ktorá zhustí mnoho príznakov do niekoľkých podstatných. Organizácie ju využívajú na objavovanie zákazníckych segmentov alebo odhaľovanie nezvyčajných transakcií; nájdené skupiny musia následne interpretovať odborníci z danej oblasti.

  • Strojové učenie
  • Clustering
  • +1

K najbližších susedov (K-Nearest Neighbours)

K najbližších susedov (k-NN, k-nearest neighbours) je jednoduchá metóda učenia s učiteľom. Na klasifikáciu nového dátového bodu hľadá k najpodobnejších známych príkladov a preberie ich najčastejšiu triedu alebo pri číselných hodnotách ich priemer. Nepotrebuje skutočnú fázu trénovania, no pri veľkých súboroch údajov sa stáva pomalou a je citlivá na to, ako sa škálujú znaky. Príklad: odporúčania produktov na základe podobných zákazníkov.

  • Vyhodnotenie
  • učenie s učiteľom
  • +1

Redukcia dimenzionality

Redukcia dimenzionality znižuje počet znakov v súbore údajov bez straty podstatných informácií. Medzi známe metódy patrí analýza hlavných komponentov (PCA) a tiež t-SNE a UMAP, ktoré sa často používajú na vizualizáciu. Urýchľuje výpočty, znižuje riziko preučenia a uľahčuje pochopenie údajov – napríklad keď sa stovky atribútov zákazníkov zobrazia na dvojrozmernom grafe, kde sú podobní zákazníci blízko seba.

  • analýza údajov
  • PCA
  • +1