Clustering-algoritmes kunnen zelfstandig data groeperen op basis van onderlinge gelijkenissen tussen deze groepen. Deze groepen of clusters kunnen vervolgens in Trendskout worden gebruikt om nieuwe data aan de meeste relevante groep toe te wijzen. Het Trendskout-systeem gebruikt hiervoor verschillende best-of-breed technieken voor Deep Learning, Machine Learning en AI.
Naast specifieke modules voor productiebedrijven, biedt het Trendskout AutoML platform ook tal van mogelijkheden voor IT teams om snel AI toepassingen op te zetten, Powered door onze unieke dubbele AI laag en gebruiksvriendelijke UI die datatransformaties, algoritmeselectie en hypertuning volledig automatiseert.
Ontvang toegang tot ons Resource Center met interessante business cases gratis in je mailbox.
Clustering is één van de Trendskout AI Flow analyse-functies.
Het Clustering-proces start zodra men de Run/Train knop aanklikt in Trendskout. Het systeem gaat verschillende clustering algoritmes uitvoeren op de input-data, gekoppeld aan de clustering-analyse via drag & drop in de AI flow. Hierbij worden verschillende combinaties van algoritmes en parameters gebruikt, m.a.w. hypertuning.
Tijdens het clustering proces zijn 2 criteria cruciaal. Ten eerste dienen de gedetecteerde groepen, clusters, datapunten te bevatten die zo dicht mogelijk bij elkaar liggen. Ten tweede moet het aantal clusters beperkt blijven. Er moeten dus een relatief klein aantal clusters van bij elkaar horende datapunten gevonden worden. Een clustering-algoritme dat groepen detecteert met data die niet bij elkaar hoort, of die erg veel kleine groepjes vindt, betekent dat er verder moet gezocht worden via hypertuning & Auto ML naar een beter resultaat. De verhouding tussen aantal clusters en gelijkaardigheid gevisualiseerd kan je visualiseren in een “Elbow-curve”.
Een tweede gebruik is waarbij de clusters, en het achterliggend clustering-model, gebruikt worden om nieuwe data-punten toe te wijzen aan een cluster. Dit is vergelijkbaar met classificatie. Het verschil met classificatie is dat de trainingstap “Unsupervised” gebeurt, en er gelabeld wordt op basis van automatisch ontdekte groepen of clusters.
Het Trendskout automated machine learning platform bevat verschillende clustering algoritmes die via een drag&drop-interface kunnen gekoppeld worden aan input en automatisatie-stappen in een AI flow. Alle datatransformatie, hypertuning, algoritmeselectie en het beheer van alle GPU/TPU Cloud Computing wordt volledig op de achtergrond beheerd.
Hierdoor wordt het inzetten van clustering-toepassingen in uw organisatie een stuk efficiënter en kan u zonder zorgen experimenteren.
