SV
Logga inKom igång
Ordlista

K-means-klustring

Vad är K-means-klustring?

K-means är en metod för oövervakad inlärning som delar in datapunkter i ett förutbestämt antal k grupper. Den tilldelar varje punkt närmaste gruppcentrum och flyttar sedan centrumen tills tilldelningarna knappt förändras. Metoden är snabb och lätt att förstå, men kräver ett förnuftigt val av k och variabler i jämförbara skalor. Exempel: gruppera kunder efter köpfrekvens och varukorgsvärde.

Så hjälper KI.ordo

Mallen i KI.ordo för att gruppera förfrågningar efter ämne har ett liknande mål men bildar grupperna med en språkmodell i stället för med k-means.

Läs mer : K-means-klustring

Passande mallar

Ämnen

  • Clustering
  • Oövervakad inlärning
  • Algoritm

Prova KI.ordo

Agenter, flöden och mallar i en arbetsyta – gratis demo i 24 timmar.

Starta demo
← Alla begrepp

Relaterade begrepp

Clustering

Klustring är en metod för oövervakad inlärning som delar in datapunkter i grupper utifrån deras likhet, utan fördefinierade kategorier. Den avslöjar mönster som ingen har namngett tidigare – till exempel kundsegment med liknande köpbeteende. För texter hjälper klustring till att sortera hundratals kundförfrågningar i ämnen som leverans, fakturering eller klagomål och visar var tyngdpunkten ligger.

  • oövervakad inlärning
  • gruppering
  • +1
Mall

Oövervakad inlärning

Vid oövervakad inlärning får en modell data utan fördefinierade rätta svar och söker själv efter strukturer. Typiska metoder är klustring, som grupperar liknande poster, och dimensionsreduktion, som sammanfattar många särdrag till några få väsentliga. Organisationer använder det för att upptäcka kundsegment eller se ovanliga transaktioner; de grupper som hittas måste sedan tolkas av ämnesexperter.

  • Maskininlärning
  • Clustering
  • +1

K-närmaste grannar

K-närmaste grannar (k-nearest neighbours, k-NN) är en enkel metod för övervakad inlärning. För att klassificera en ny datapunkt letar den efter de k mest liknande kända exemplen och övertar deras vanligaste klass eller, för numeriska värden, deras medelvärde. Den behöver ingen egentlig träningsfas, men blir långsam med stora datamängder och är känslig för hur variabler skalas. Exempel: produktrekommendationer baserade på liknande kunder.

  • Bedömning
  • Övervakad inlärning
  • +1

Dimensionsreduktion

Dimensionsreduktion minskar antalet variabler i en datamängd utan att den väsentliga informationen går förlorad. Välkända metoder är principalkomponentanalys (PCA) samt t-SNE och UMAP, som ofta används för visualisering. Den snabbar upp beräkningarna, minskar risken för överanpassning och gör data lättare att förstå – till exempel när hundratals kundattribut avbildas på ett tvådimensionellt diagram där liknande kunder hamnar nära varandra.

  • dataanalys
  • PCA
  • +1