SL
PrijavaZačnite zdaj
Slovar pojmov

Razvrščanje v skupine po metodi k-voditeljev

Kaj je Razvrščanje v skupine po metodi k-voditeljev?

K-voditelji (k-means) so metoda nenadzorovanega učenja, ki podatkovne točke razdeli v vnaprej določeno število k skupin. Vsako točko dodeli najbližjemu središču skupine in ta središča premika, dokler se dodelitve skoraj ne spreminjajo več. Metoda je hitra in lahko razumljiva, zahteva pa smiselno izbiro k in značilnosti na primerljivih merilih. Primer: razvrščanje strank po pogostosti nakupov in vrednosti košarice.

Kako pomaga KI.ordo

Predloga KI.ordo za razvrščanje povpraševanj po temah sledi podobnemu cilju, vendar skupine oblikuje z jezikovnim modelom, ne z metodo k-voditeljev.

Več o tem : Razvrščanje v skupine po metodi k-voditeljev

Ustrezne predloge

Teme

  • Clustering
  • Nenadzorovano učenje
  • Algoritem

Preizkusite KI.ordo

Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.

Začni predstavitev
← Vsi pojmi

Sorodni pojmi

Clustering

Gručenje (clustering) je metoda nenadzorovanega učenja, ki podatkovne točke na podlagi podobnosti razdeli v skupine brez vnaprej določenih kategorij. Razkrije vzorce, ki jih še nihče ni poimenoval – na primer segmente strank s podobnim nakupnim vedenjem. Pri besedilih gručenje pomaga razvrstiti na stotine povpraševanj strank v teme, kot so dostava, obračun ali pritožbe, in pokaže, kje je težišče.

  • nenadzorovano učenje
  • razvrščanje v skupine
  • +1
Predloga

Nenadzorovano učenje

Pri nenadzorovanem učenju model prejme podatke brez vnaprej določenih pravilnih odgovorov in sam išče strukture. Tipični metodi sta gručenje, ki združuje podobne zapise, in zmanjševanje dimenzionalnosti, ki številne značilnice strne v nekaj bistvenih. Organizacije ga uporabljajo za odkrivanje segmentov strank ali opažanje nenavadnih transakcij; najdene skupine morajo nato razložiti strokovnjaki s področja.

  • Strojno učenje
  • Clustering
  • +1

K najbližjih sosedov

K najbližjih sosedov (k-nearest neighbours, k-NN) je preprosta metoda nadzorovanega učenja. Za razvrstitev nove podatkovne točke poišče k najbolj podobnih znanih primerov in prevzame njihov najpogostejši razred ali pri številskih vrednostih njihovo povprečje. Prave faze učenja ne potrebuje, a pri velikih podatkovnih zbirkah postane počasna in je občutljiva na merilo značilnosti. Primer: priporočila izdelkov na podlagi podobnih strank.

  • Razvrstitev
  • Nadzorovano učenje
  • +1

Zmanjševanje dimenzionalnosti

Zmanjševanje dimenzionalnosti zmanjša število značilnosti v podatkovni zbirki, ne da bi izgubili bistvene informacije. Znane metode so analiza glavnih komponent (PCA) ter t-SNE in UMAP, ki se pogosto uporabljata za vizualizacijo. Pospeši izračune, zmanjša tveganje čezmernega prilagajanja in podatke naredi bolj pregledne – na primer ko se na stotine lastnosti strank preslika na dvodimenzionalni grafikon, kjer so si podobne stranke blizu.

  • analiza podatkov
  • PCA
  • +1