Kümeleme modülleri

  • Makale

Önemli

Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.

1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.

ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.

Bu makalede, Machine Learning Studio'daki (klasik) kümeleme modellerini destekleyen modüller açıklanmıştır.

Not

Uygulama: Machine Learning Studio (yalnızca klasik)

Benzer sürükle ve bırak modülleri tasarımcıda da Azure Machine Learning kullanılabilir.

Kümeleme nedir?

Makine öğrenmesinde kümeleme, veri noktalarını benzer kümeler olarak gruplama yöntemidir. Segmentasyon olarak da adlandırılan bu bölümlemedir.

Yıllar içinde birçok kümeleme algoritması geliştirilmiştir. Neredeyse tüm kümeleme algoritmaları, benzer öğeleri bulmak için tek tek öğelerin özelliklerini kullanır. Örneğin, demografik bilgilere göre benzer kişiler bulmak için kümeleme uygulayabilirsiniz. Benzer konu başlıkları veya yaklaşıma sahip cümleleri gruplamak için metin analizi ile kümeleme kullanabilirsiniz.

Kümeleme, etiketsiz verilerde kullanılabilir olduğundan denetimsiz öğrenme tekniği olarak adlandırılan bir yöntemdir. Aslında kümeleme, yeni desenleri keşfetmek için kullanışlı bir ilk adımdır ve verilerin nasıl yapılandırılası veya öğelerin nasıl ilişkili olduğu hakkında çok az önceden bilgi gerektirir. Kümeleme genellikle diğer tahmine dayalı algoritmalarla analiz öncesinde verilerin keşfi için kullanılır.

Kümeleme modeli oluşturma

Machine Learning Studio'da (klasik), etiketli veya etiketsiz verilerle kümeleme kullanabilirsiniz.

  • Etiketsiz verilerde kümeleme algoritması, hangi veri noktalarının birlikte en yakın olduğunu belirler ve merkezi bir nokta veya merkez çevresinde kümeler oluşturur. Ardından küme kimliğini veri grubu için geçici bir etiket olarak kullanabilirsiniz.

  • Verilerin etiketleri varsa, küme sayısını devam etmek için etiketi kullanabilir veya etiketi yalnızca başka bir özellik olarak kullanabilirsiniz.

Kümeleme algoritmasını yapılandırdıktan sonra Kümeleme Modelini Eğitme veya Kümeleme Modüllerini Kullanarak verilerieğitebilirsiniz .

Model eğitilken, yeni veri noktaları için küme üyeliğini tahmin etmek için bunu kullanın. Örneğin, satın alma davranışına göre müşterileri gruplamak için kümeleme kullandıysanız, modeli kullanarak yeni müşterilerin satın alma davranışını tahmin etmek için kullanabilirsiniz.

Modül listesi

Kümeleme kategorisi şu modülü içerir:

Farklı bir kümeleme algoritması kullanmak veya R kullanarak özel kümeleme modeli oluşturmak için şu konulara bakın:

Örnekler

Kümelemenin çalışma örnekleri için bkz. Azure Yapay Zeka Galerisi.

Algoritma seçmeye yardımcı olmak için şu makalelere bakın:

Ayrıca bkz.