Uzel Auto Cluster odhaduje a porovnává modelové modely, které identifikují skupiny záznamů s podobnými charakteristikami. Uzel funguje stejným způsobem jako ostatní automatizované modelovací uzly a umožňuje vám experimentovat s více kombinacemi voleb v jednom průchodu modelování. Modely lze porovnat s použitím základních ukazatelů, se kterými se můžete pokusit filtrovat a hodnotit užitečnost modelů klastru, a poskytnout ukazatel na základě důležitosti konkrétních polí.

Modely klastrů se často používají k identifikaci skupin, které lze použít jako vstupy v následných analýzách. Například můžete chtít zacílit skupiny zákazníků na základě demografických charakteristik, jako je příjem, nebo na základě služeb, které si koupili v minulosti. Můžete to udělat bez předchozích znalostí o skupinách a jejich charakteristikách -- možná nevíte, kolik skupin se má hledat, nebo jaké funkce je použít při jejich definování. Modely klastrování jsou často označovány jako modely učení bez dozoru, protože nepoužívají cílové pole a nevracejí specifickou předpověď, kterou lze vyhodnotit jako true nebo false. Hodnota modelu klastrování je určena jeho schopností zachytit zajímavá seskupení v datech a poskytovat užitečné popisy těchto seskupení.

Požadavky. Jedno nebo více polí, které definují charakteristiky zájmu. Modely klastrů nepoužívají cílová pole stejným způsobem jako jiné modely, protože nevytvářejí specifické předpovědi, které lze vyhodnotit jako true nebo false. Místo toho se používají k identifikaci skupin případů, které mohou souviset. Například nemůžete použít model klastru k předpovídání, zda daný zákazník bude chrlit nebo odpovědět na nabídku. Ale můžete použít model klastru k přiřazení zákazníků ke skupinám na základě jejich tendence k provedení těchto věcí. Pole Váha a frekvence se nepoužívají.

Pole vyhodnocení. Když není použit žádný cíl, můžete volitelně uvést jedno nebo více polí vyhodnocení, které se použijí při porovnávání modelů. Užitečnost modelu klastru lze vyhodnotit pomocí měření toho, jak dobře (nebo špatně) klastry tyto pole rozlišijí.

Podporované typy modelů

Mezi podporované typy modelů patří TwoStep, K-Means, Kohonen, One-Class SVM a K-Means-AS.