LegközelebbKövetkező útmutató
Mean Shift Clustering
Műszaki
Alapok ÚTMUTATÓ
A K-Means egy nem felügyelt algoritmus, amely a fürtközpontok megtalálásával automatikusan K csoportba rendezi az adatokat.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Ez azért fontos, mert rejtett struktúrát tár fel a címkézetlen adatokban, az ügyfélszegmensektől a képszínekig.
A K-Means az adatokat kiválasztott számú fürtökbe (K) címkék nélkül particionálja. Először K pont, úgynevezett centroid elhelyezésével kezdődik, gyakran véletlenszerűen. Ezután két lépést megismétel: minden adatpontot hozzárendel a legközelebbi súlyponthoz, és mozgat minden súlypontot a hozzárendelt pontok átlagos pozíciójába. Ezeket a lépéseket addig hajtják végre, amíg a hozzárendelések változása meg nem szűnik, ami azt jelenti, hogy az algoritmus konvergál. A cél a klaszteren belüli variancia minimalizálása, a pontok közötti teljes négyzetes távolság és súlypontjuk. Mivel az eredmények a kiindulási pozícióktól függenek, az intelligens inicializálás, mint például a K-Means++, szétosztja a kezdeti centroidokat. Előre ki kell választania a K-t, gyakran a „könyökös módszer” alapján a hibagörbén.
Ügyfélszegmentálás: a vásárlók csoportosítása költés és látogatási gyakoriság szerint a marketingkampányok célzása érdekében.
Kép színtömörítése: több millió képpont színének csökkentése K reprezentatív árnyalatra a fájlméret csökkentése érdekében.
Dokumentumszervezés: a hírcikkek vagy támogatási jegyek témakörök szerinti csoportosítása előre meghatározott kategóriák nélkül.
Anomália észlelése: a fürtközpontoktól távoli pontok potenciális csalás vagy érzékelőhibaként való megjelölése.
A K-Means továbbra is igásló, mert gyors, és hatalmas adathalmazokra skálázható mini kötegelt verziókon keresztül, amelyek kis mintákon frissítik a centroidokat. Folytatódik a kutatás a K automatikus kiválasztásával, az intelligensebb inicializálással és a nem gömb alakú klasztereket kezelő kernel- vagy mélytanulási változatokkal kapcsolatban. Egyre gyakrabban használják előfeldolgozási lépésként, adatok tömörítésére vagy szolgáltatások generálására az összetettebb modellek betáplálása előtt, illetve vektoros adatbázisokban a beágyazások közötti hasonlósági keresés felgyorsítására.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A K-Means egy nem felügyelt algoritmus, amely a fürtközpontok megtalálásával automatikusan K csoportba rendezi az adatokat. Ez azért fontos, mert rejtett struktúrát tár fel a címkézetlen adatokban, az ügyfélszegmensektől a képszínekig.
K a felhasználó által az algoritmus futtatása előtt megadott klaszterek száma; a módszer ekkor azt a sok centroidot találja meg.
A K-Means aközött, hogy minden pontot a legközelebbi súlyponthoz rendel, és minden egyes súlypontot a hozzárendelt pontok átlagaként újraszámol.
A K-Means minimalizálja a tehetetlenséget, a pontok és a hozzájuk rendelt súlypont közötti teljes négyzetes távolságot, így a klaszterek szorosak lesznek.
A felügyelet nélküli azt jelenti, hogy az adatoknak nincs címkéje; A K-Means önállóan talál szerkezetet anélkül, hogy megmondaná a megfelelő csoportokat.
A könyök módszer a hibát ábrázolja a K függvényében, és megkeresi azt a kanyart, ahol több klaszter hozzáadása nem segít sokat.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Mean Shift Clustering
Műszaki