Share via

Klustringsmoduler

  • Artikel

Viktigt

Stödet för Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du byter till Azure Machine Learning innan dess.

Från och med den 1 december 2021 kan du inte längre skapa nya Machine Learning Studio-resurser (klassisk). Du kan fortsätta att använda befintliga Machine Learning Studio-resurser (klassisk) till och med den 31 augusti 2024.

Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.

Den här artikeln beskriver modulerna i Machine Learning Studio (klassisk) som stöder skapande av klustringsmodeller.

Anteckning

Gäller endast för: Machine Learning Studio (klassisk)

Liknande dra och släpp-moduler är tillgängliga i Azure Machine Learning designer.

Vad är klustring?

Klustring i maskininlärning är en metod för att gruppera datapunkter i liknande kluster. Det kallas även segmentering.

Under åren har många klustringsalgoritmer utvecklats. Nästan alla klustringsalgoritmer använder funktionerna i enskilda objekt för att hitta liknande objekt. Du kan till exempel använda klustring för att hitta liknande personer efter demografi. Du kan använda klustring med textanalys för att gruppera meningar med liknande ämnen eller sentiment.

Klustring kallas för en icke-övervakad inlärningsteknik eftersom den kan användas i omärkta data. Klustring är i själva verket ett användbart första steg för att identifiera nya mönster och kräver lite tidigare kunskap om hur data kan struktureras eller hur objekt är relaterade. Klustring används ofta för utforskning av data före analys med andra mer förutsägande algoritmer.

Så här skapar du en klustringsmodell

I Machine Learning Studio (klassisk) kan du använda klustring med etiketterade eller omärkta data.

  • I omärkta data avgör klustringsalgoritmen vilka datapunkter som är närmast varandra och skapar kluster runt en central punkt eller centroid. Du kan sedan använda kluster-ID:t som en tillfällig etikett för datagruppen.

  • Om data har etiketter kan du använda etiketten för att driva antalet kluster eller använda etiketten som bara en annan funktion.

När du har konfigurerat klustringsalgoritmen tränar du den på data med hjälp av modulerna Träna klustringsmodell eller Rensa kluster .

När modellen tränas använder du den för att förutsäga klustermedlemskap för nya datapunkter. Om du till exempel har använt klustring för att gruppera kunder efter köpbeteende kan du använda modellen för att förutsäga köpbeteendet för nya kunder.

Lista över moduler

Klusterkategorin innehåller den här modulen:

Om du vill använda en annan klustringsalgoritm eller skapa en anpassad klustringsmodell med hjälp av R kan du gå till följande avsnitt:

Exempel

Exempel på klustring i praktiken finns i Azure AI Gallery.

I de här artiklarna får du hjälp med att välja en algoritm:

Se även