Ce înseamnă Clustering (grupare)
Clustering-ul (în română „grupare”) înseamnă împărțirea datelor în grupuri, numite clustere, astfel încât elementele din același grup să semene între ele, iar grupurile să fie diferite unele de altele. Spre deosebire de clasificare, nimeni nu spune dinainte ce grupuri există; algoritmul le descoperă singur.
Este o formă de învățare nesupervizată, folosită pentru segmentarea clienților, gruparea articolelor de știri pe subiecte, detectarea comportamentelor neobișnuite sau organizarea pozelor după asemănare.
Cum funcționează
Cel mai cunoscut algoritm este k-means: alegi numărul de grupuri k, algoritmul plasează la întâmplare k „centre”, atribuie fiecare punct celui mai apropiat centru, apoi mută fiecare centru în mijlocul punctelor lui. Pașii se repetă până când centrele nu se mai mișcă.
Alte metode, precum DBSCAN, găsesc singure numărul de grupuri și pot identifica punctele care nu aparțin niciunui grup. În toate cazurile, algoritmul nu dă nume grupurilor: un om trebuie să le interpreteze.
Pe înțelesul tuturor
Răstorni pe masă o cutie cu nasturi amestecați și îi împarți în grămezi după cum seamănă: mărime, culoare, număr de găuri. Nimeni nu ți-a spus ce grămezi să faci; le-ai descoperit privind nasturii.
Exemplu
Un magazin online grupează 50.000 de clienți după frecvența cumpărăturilor, valoarea medie a coșului și cât de des folosesc reduceri. Cu k = 4, apar patru grupuri, pe care echipa de marketing le numește „cumpărători fideli”, „vânători de reduceri”, „clienți ocazionali cu coș mare” și „clienți inactivi”. Numele sunt date de oameni; algoritmul a găsit doar grupurile.
De reținut
- Clustering-ul găsește grupuri în date fără etichete.
- La k-means trebuie să alegi numărul de grupuri dinainte.
- Grupurile trebuie interpretate și verificate de om.
Nu confunda
- k-means vs. k-NN: k-means grupează date fără etichete (k = numărul de grupuri); k-NN clasifică un exemplu nou după cei mai apropiați k vecini etichetați.
Termeni înrudiți
- Învățare nesupervizată: Metoda de machine learning în care modelul primește date fără răspunsuri și descoperă singur grupuri, tipare sau anomalii.
- k-NN (cei mai apropiați k vecini): Metodă care clasifică un exemplu nou după categoria majoritară a celor mai asemănători k exemple cunoscute.
- Clasificare: Sarcina de machine learning în care modelul pune fiecare exemplu într-o categorie dintr-o listă fixă, de exemplu „spam” sau „nu e spam”.
- Reducerea dimensionalității: Tehnici care comprimă datele cu foarte multe caracteristici în câteva, păstrând cât mai mult din informația importantă.
- Embedding: Transformarea unui text, a unei imagini sau a unui sunet într-o listă de numere care îi surprinde sensul; lucrurile asemănătoare ajung apropiate.