Раскладываем банковские операции по категориям

О чём урок

Этот notebook охватывает сценарии использования, где ваши данные не размечены, но обладают признаками (features), которые можно использовать для их кластеризации в осмысленные категории. Сложность кластеризации заключается в том, чтобы сделать признаки (features), формирующие эти кластеры, удобочитаемыми для человека, и именно здесь мы обратимся к GPT-3 для генерации осмысленных описаний кластеров. Затем мы сможем использовать их для присвоения меток ранее неразмеченному набору данных. Для подачи данных в модель мы используем embeddings, созданные с помощью подхода, представленного в notebook "Многоклассовая классификация транзакций", примененные ко всем 359 транзакциям в наборе данных, чтобы получить больший пул для обучения. Мы повторно используем подход из notebook "Кластеризация", применяя K-Means для кластеризации нашего набора данных с помощью ранее созданных feature embeddings. Затем мы используем endpoint Completions для генерации описаний кластеров и оценки их эффективности. Date Supplier Description Transaction value (£) combined n_tokens embedding 0 21/04/2016 M & J Ballantyne Ltd George IV Bridge Work 35098.0 Supplier: M & J Ballantyne Ltd; Description: G... 118 [-0.013169967569410801, -0.004833734128624201,... 1 26/04/2016 Private Sale Literary & Archival Items 30000.0 Supplier: Private Sale; Description: Literary ... 114 [-0.019571533426642418, -0.010801066644489765,... 2 30/04/2016 City Of Edinburgh Council Non Domestic Rates 40800.0 Supplier: City Of Edinburgh Council; Descripti... 114 [-0.0054041435942053795, -6.548957026097924e-0... 3 09/05/2016 Computacenter Uk Kelvin Hall 72835.0 Supplier: Computacenter Uk; Description: Kelvi... 113 [-0.004776035435497761, -0.005533686839044094,... 4 09/05/2016 John Graham Construction Ltd Causewayside Refurbishment 64361.0 Supplier: John Graham Construction Ltd; Descri... 117 [0.003290407592430711, -0.0073441751301288605,...

План урока

1. Настройка
2. Кластеризация