3.7 KiB
Clustering-Modelle für maschinelles Lernen
Clustering ist eine Aufgabe im maschinellen Lernen, bei der versucht wird, Objekte zu finden, die einander ähneln, und diese in Gruppen, die Cluster genannt werden, zu gruppieren. Was das Clustering von anderen Ansätzen im maschinellen Lernen unterscheidet, ist, dass die Dinge automatisch geschehen; tatsächlich kann man sagen, dass es das Gegenteil von überwachten Lernen ist.
Regionales Thema: Clustering-Modelle für den Musikgeschmack eines nigerianischen Publikums 🎧
Das vielfältige Publikum Nigerias hat unterschiedliche musikalische Vorlieben. Anhand von Daten, die von Spotify gesammelt wurden (inspiriert von diesem Artikel), wollen wir einige in Nigeria beliebte Musikstücke betrachten. Dieses Datenset enthält Informationen über die 'Tanzbarkeit', 'Akustik', Lautstärke, 'Sprechanteil', Popularität und Energie verschiedener Songs. Es wird spannend sein, Muster in diesen Daten zu entdecken!
Foto von Marcela Laskoski auf Unsplash
In dieser Reihe von Lektionen werden Sie neue Wege entdecken, um Daten mithilfe von Clustering-Techniken zu analysieren. Clustering ist besonders nützlich, wenn Ihrem Datensatz Labels fehlen. Wenn er Labels hat, könnten Klassifikationstechniken, wie Sie sie in früheren Lektionen gelernt haben, nützlicher sein. In Fällen, in denen Sie unbeschriftete Daten gruppieren möchten, ist Clustering jedoch eine großartige Möglichkeit, Muster zu entdecken.
Es gibt nützliche Low-Code-Tools, die Ihnen helfen können, mehr über die Arbeit mit Clustering-Modellen zu erfahren. Probieren Sie Azure ML für diese Aufgabe
Lektionen
Danksagungen
Diese Lektionen wurden mit 🎶 von Jen Looper verfasst, mit hilfreichen Rückmeldungen von Rishit Dagli und Muhammad Sakib Khan Inan.
Das Datenset Nigerian Songs wurde von Kaggle bezogen, wie es von Spotify gesammelt wurde.
Nützliche K-Means-Beispiele, die bei der Erstellung dieser Lektion geholfen haben, sind diese Iris-Exploration, dieses einführende Notebook und dieses hypothetische NGO-Beispiel.
Haftungsausschluss:
Dieses Dokument wurde mit maschinellen KI-Übersetzungsdiensten übersetzt. Obwohl wir uns um Genauigkeit bemühen, sollten Sie sich bewusst sein, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner ursprünglichen Sprache sollte als die maßgebliche Quelle angesehen werden. Für wichtige Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die aus der Verwendung dieser Übersetzung entstehen.