Увод у алгоритам кластерирања кластера?

К- значи кластерирање спада у алгоритам учења који није надзиран. Користи се када подаци нису дефинирани у групама или категоријама, тј. Необиљежени подаци. Циљ овог алгоритма групирања је да се пронађу и пронађу групе у подацима, где променљива К представља број група.

Разумевање К- значи алгоритам кластера

Овај алгоритам је итеративни алгоритам који подељује скуп података према њиховим карактеристикама у К број унапред дефинисаних различитих преклапајућих различитих кластера или подскупина. То чини податковне тачке међу кластерима што је могуће сличнијим, а такође покушава да кластере одржи што је могуће више. Датотеке података распоређује у кластер ако је збир квадратне удаљености између средишта кластера и тачака података на минимуму где је средњи кластер кластера аритметичка средина тачака података које су у кластеру. Мања варијација кластера резултира сличним или хомогеним подацима у кластеру.

Како делује алгоритам кластера кластера?

К- значи да кластер алгоритам треба следеће инпуте:

  • К = број подгрупа или кластера
  • Узорак или сет за тренинг = (к 1, к 2, к 3, ……… к н )

Сада претпоставимо да имамо скуп података који није обележен и морамо га поделити у кластере.

Сада требамо пронаћи број кластера. То се може постићи на два начина:

  • Метода лакта.
  • Метода намјене.

Хајде да разговарамо о њима укратко:

Метода лакта

У овом се методу црта крива између "унутар зброја квадрата" (ВСС) и броја кластера. Кривуља исцртана подсећа на људску руку. Зове се метода лакта јер нам тачка лакта у кривини пружа оптималан број кластера. На графу или кривуљи, након тачке лакта, вредност ВСС се мења веома споро, па се тачка лакта мора узети у обзир да би добила коначну вредност броја кластера.

Намењена

У овој се методи подаци дијеле на темељу различитих мјерних података и након тога се процјењује колико је добро изведен за тај случај. На пример, распоред кошуља у одељењу за мушку одећу у тржном центру врши се на основу критеријума величина. Може се обавити на основу цене и марки такође. Одабрао би се најбољи погодан да би се добио оптимални број кластера тј. Вредност К.

Сада се вратимо на горе наведени податак. Ми можемо израчунати број кластера тј. Вредност К помоћу било које од горе наведених метода.

Како користити горе наведене методе?

Сада да видимо поступак извршења:

Корак 1: Иницијализација

Прво, иницијализирајте било које случајне тачке назване центроиди кластера. Приликом иницијализације морате водити рачуна да центроиди кластера морају бити мањи од броја података о тренингу. Овај алгоритам је итеративни алгоритам, тако да се следећа два корака изводе итеративно.

Корак 2: Додјела кластера

Након иницијализације, прелазе се све тачке података и израчунава се удаљеност између свих центроида и тачака података. Сада би се кластери формирали у зависности од минималног растојања од центроида. У овом примеру подаци су подељени у два кластера.

Корак 3: Премештање Центроида

Како кластери формирани у горњем кораку нису оптимизовани, тако морамо и да формирамо оптимизиране кластере. За то морамо центроиде итеративно преместити на нову локацију. Узмите тачке података једног кластера, израчунајте њихов просек и затим преместите центроид тог кластера на нову локацију. Поновите исти корак за све остале кластере.

4. корак: Оптимизација

Горња два корака се раде итеративно све док центроиди не престану да се крећу, тј. Више не мењају своје положаје и постају статични. Једном када је то учињено, алгоритам к- значи назван је конвергирањем.

Корак 5: Конвергенција

Сада се овај алгоритам конвергирао и формирани су различити кластери и јасно видљиви. Овај алгоритам може дати различите резултате у зависности од тога како су кластери иницијализовани у првом кораку.

Примене алгоритма кластера кластера

  • Сегментација тржишта
  • Групирање докумената
  • Сегментација слике
  • Компресија слике
  • Квантизација вектора
  • Анализа кластера
  • Функционално учење или учење речника
  • Идентификовање подручја подложних криминалу
  • Откривање преваре осигурања
  • Анализа података јавног превоза
  • Кластерирање ИТ имовине
  • Сегментација корисника
  • Идентификација података о раку
  • Користи се у претраживачима
  • Предвиђање активности лекова

Предности алгоритма кластера кластера

  • То је брзо
  • Робустан
  • Лако разумети
  • Упоредно ефикасан
  • Ако су скупови података различити, тада се дају најбољи резултати
  • Створите чвршће кластере
  • Када се израчунају центроиди, кластер се промени.
  • Флексибилан
  • Лако за тумачење
  • Бољи рачунски трошкови
  • Појачава тачност
  • Боље функционира са сферним кластерима

Недостаци алгоритма кластера кластера

  • Потребно је претходно специфицирање броја центара кластера
  • Ако постоје два високо преклапајућа података, онда их се не може разликовати и не може рећи да постоје два кластера
  • Са различитом заступљеношћу података, постигнути резултати се такође разликују
  • Еуклидска удаљеност може неједнако пондерисати факторе
  • Даје локалну оптималност функције квадратне погрешке
  • Понекад бирање центроида насумично не може дати плодне резултате
  • Може се користити само ако је дефинисано значење
  • Не могу се носити са странцима и бучним подацима
  • Не радите за нелинеарни скуп података
  • Недостаје конзистентност
  • Осетљив на скали
  • Ако се нађу врло велики скупови података, рачунар се може срушити.
  • Питања предвиђања

Препоручени чланци

Ово је водич за алгоритам кластера К-Меанс. Овдје смо разговарали о раду, апликацијама, предностима и недостацима алгоритма кластера К-Меанс-а. Можете и да прођете кроз друге наше предложене чланке да бисте сазнали више -

  1. Шта су неуронске мреже?
  2. Шта је истраживање података? | Улога дата дата-а
  3. Питање за интервјуирање података података
  4. Машинско учење и неуронска мрежа
  5. Кластерирање у машинском учењу

Категорија:

Велики података