Algorithm Explorer
అన్సూపర్వైజ్డ్ లెర్నింగ్ అల్గోరిథమ్లు
సమాధానాలు ఇవ్వకుండా AI దాచిన నమూనాలను ఎలా కనుగొంటుంది.
K-మీన్స్ క్లస్టరింగ్
Analogy
"మిశ్రమ పళ్ళ కుప్పను చెప్పకుండా సమూహాలుగా వేర్చటం లాంటిది."
How it Works
పోలికను బట్టి డేటా పాయింట్లను K క్లస్టర్లకు కేటాయిస్తుంది.
Use Cases
కస్టమర్ సెగ్మెంటేషన్, డాక్యుమెంట్ గ్రూపింగ్.
అన్సూపర్వైజ్డ్ లెర్నింగ్లో యంత్రం ఎటువంటి లేబుల్ లేని డేటాను చూస్తుంది. ఇది ఒక గజిబిజి గదిని ఎవరూ చెప్పకుండా సర్దడం వంటిది.
2. PCA మరియు అప్రియోరి
PCA సంక్లిష్ట డేటాను సరళతరం చేస్తుంది. అప్రియోరి (Apriori) షాపింగ్ నమూనాలను విశ్లేషించడం ద్వారా ఏ వస్తువులు తరచుగా కలిసి కొనుగోలు చేయబడతాయో కనుగొంటుంది.
1. K-మీన్స్ క్లస్టరింగ్ (K-Means Clustering)
డేటా పాయింట్లను వాటి నిర్ణీత క్లస్టర్ కేంద్రం మరియు పాయింట్ల మధ్య దూరాన్ని తగ్గించడం ద్వారా 'K' క్లస్టర్లుగా సమూహపరుస్తుంది.
పైథాన్: K-Means క్లస్టరింగ్
Scikit-learn ఉపయోగించి పాయింట్లను 2 సమూహాలుగా విభజించడం:
python
from sklearn.cluster import KMeans
import numpy as np
# లేబుల్ లేని పాయింట్లు (x, y కోఆర్డినేట్స్)
X = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])
kmeans = KMeans(n_clusters=2, random_state=0)
kmeans.fit(X)
print(f"క్లస్టర్ కేంద్రాలు: \n{kmeans.cluster_centers_}")
print(f"డేటా లేబుల్స్: {kmeans.labels_}")