Klassifizierungs- und Clustering-Algorithmen: Wie funktionieren sie?

Clustering und Klassifizierung sind zwei gängige Methoden des maschinellen Lernens zur Erkennung von Mustern in Daten. Hier erfahren Sie, wie sie funktionieren und worin sie sich unterscheiden.

Clustering und Klassifizierung sind zwei gängige Techniken des maschinellen Lernens zur Erkennung von Mustern in Daten. In der ersten Staffel unserer Lucid Thoughts-Erklärvideoserie haben wir darüber gesprochen, was sie sind und wie man die Unterschiede zwischen ihnen erkennt. Sehen Sie sich die Folge jetzt an:

Clustering und Klassifizierung sind Arten des maschinellen Lernens, aber sie funktionieren auf sehr unterschiedliche Weise.

Klassifizierung ist eine Art des überwachten Lernens, bei dem der Computer lernt, etwas auf der Grundlage eines Satzes von Trainingsdaten zu tun, die bereits von Menschen beschriftet wurden. Die Maschine klassifiziert neue Daten entsprechend dieser vorgegebenen Kennzeichnungen, indem sie Muster im Datensatz findet.

Clustering ist eine Art des unbeaufsichtigten Lernens , d.h. es gibt keinen Trainingssatz oder bereits existierende Klassen oder Bezeichnungen, mit denen die Maschine arbeiten kann. Die Maschine betrachtet die verschiedenen Merkmale des Datensatzes und findet heraus, was ähnlich ist und was nicht.

Beide Methoden bringen der Maschine bei, wie sie Daten organisieren kann, nur auf unterschiedliche Weise.

Sie können sowohl die erste als auch die zweite Staffel jetzt im Schnelldurchlauf ansehen.

Lesen Sie mehr darüber, wie Clustering und Klassifizierung im E-Commerce eingesetzt werden.

Abonnieren Sie den Kanal Lucid Thoughts und stellen Sie sicher, dass Sie Ihre Fragen und Kommentare zu jedem Video hinterlassen.