|
Misollar va foydalanish holatlari
|
| bet | 10/11 | | Sana | 21.12.2023 | | Hajmi | 0,86 Mb. | | #125713 |
Misollar va foydalanish holatlari
Izlanishli tahlil va o'lchovlarni qisqartirish - bu o'qituvchisiz o'qitish uchun eng keng tarqalgan usullardan biri.
Algoritmlar ilgari noma'lum bo'lgan namunalarni aniqlash uchun ishlatiladigan eksperimental tahlil bir qator korporativ dasturlarga ega. Masalan, korxonalar kashfiyot tahlilidan foydalanib , mijozlarni segmentatsiyalash harakatlarining boshlanish nuqtasi sifatida foydalanishlari mumkin .
O’lchamlilikni kamaytirishda algoritmlar ma'lumotlar to'plamidagi o'zgaruvchilar yoki xususiyatlar sonini (ya'ni o'lchamlarni) kamaytiradi, shunda turli maqsadlar uchun tegishli xususiyatlarga qaratilishi mumkin. Ba'zi ekspertlar buni o'lchovni qisqartirish shovqinli ma'lumotlarni olib tashlash bilan izohlashadi. (Mashinasozlik bo'yicha muhandislar bu ishni bajarish uchun ko'pincha yashirin o'zgaruvchan modelga asoslangan algoritmlardan foydalanadilar.) Masalan, tashkilot fonni qisqartirish orqali quyuq tasvirlarni o'qish uchun o'lchovni kamaytirishdan foydalanishi mumkin.
Bundan tashqari, tashkilotlar quyidagi dasturlar uchun O'qituvchisiz o’qitishdan foydalanishlari mumkin:
algoritmlar ma'lumotlar to'plamidagi g'ayrioddiy ma'lumotlar nuqtalarini aniqlay oladigan klasterli anomaliyani aniqlash, xususan firibgarlik faoliyati yoki odamlarning xatolari yoki nosoz mahsulotlari uchun foydalidir; va
algoritmlar ma'lumotlar nuqtalari o'rtasida birlashmalarni topadigan assotsiatsiyani qazib olish, masalan, chakana sotuvchilar ko'pincha qanday mahsulotlarni birgalikda sotib olishlarini aniqlashda foydalanishi mumkin.
K-Means algoritmi tahlili.
K- means usuli (inglizcha k- means) - naibole usulida klasterlash usuli. Ushbu ixtiro 1950 yillarda matematik Ugo Shtaynxaus tomonidan ixtiro qilingan va deyarli bir vaqtning o'zida Styuart Lloyd tomonidan nashr etilgan. Asosiy g'oya shundan iboratki, har bir takrorlanishda massa markazi oldingi bosqichda olingan har bir klaster uchun qayta hisoblab chiqiladi, so'ngra vektorlar yana yangi markazlarning qaysi biri tanlangan metrikaga yaqin bo'lishiga qarab yana klasterlarga bo'linadi.
Nazorat qilinmaydigan k-vositalari algoritmi k-ga eng yaqin qo'shni klassifikatori bilan yaxshi aloqaga ega, bu nom tufayli k-vositalar bilan tez-tez aralashib ketadigan, tasniflash uchun mashhur nazorat ostida mashinalarni o'rganish texnikasi. K-vositalari yordamida olingan klaster markazlariga 1 ta eng yaqin qo'shni klassifikatorini qo'llash yangi ma'lumotlarni mavjud klasterlarga ajratadi. Bu eng yaqin santroid klassifikatori yoki Rocchio algoritmi sifatida tanilgan.
Standart algoritm k-means
Eng keng tarqalgan algoritmda takroriy takomillashtirish texnikasi qo'llaniladi. Hamma joyda mavjud bo'lganligi sababli, ko'pincha "k-vositalari algoritmi" deb nomlanadi; u Lloyd algoritmi deb ham ataladi, ayniqsa kompyuter fanlari hamjamiyatida. Ba'zan uni "sodda k-vositalar" deb ham atashadi, chunki bu erda tezroq alternativalar mavjud.
Tez-tez ishlatiladigan boshlang'ich usullari Forgy va Random Partition. Forgy usuli tasodifiy ma'lumotlar to'plamidan k ta kuzatuvlarni tanlaydi va ularni dastlabki vosita sifatida ishlatadi. Tasodifiy bo'lim birinchi navbatda tasodifiy ravishda har bir kuzatuvga klasterni tayinlaydi, so'ngra yangilash bosqichiga o'tadi va shu bilan boshlang'ich o'rtacha hisoblab, klasterning tasodifiy tayinlangan nuqtalari markazida bo'ladi. Forgy usuli dastlabki vositalarni tarqatishga intiladi, Random Partition esa ularning hammasini ma'lumotlar to'plamining markaziga yaqinlashtiradi. Hamerli va boshqalarning fikriga ko'ra tasodifiy bo'linish usuli odatda k-harmonik vositalar va loyqa k-vositalar kabi algoritmlar uchun afzalroqdir. Kutishni maksimal darajaga ko'tarish va standart k-algoritmlari uchun "Forgy" ishga tushirish usuli afzalroqdir. Celebi va boshqalarning tomonidan o'tkazilgan keng qamrovli tadqiqoti shuni ko'rsatdiki, Forgy, Random Partition va Maximin kabi ommalashtirish usullari tez-tez yomon ishlaydi, Bredli va Fayyodning yondashuvi "eng yaxshi guruh" da "izchil" ishlaydi. va k-vositalari ++ "umuman yaxshi" ishlaydi.
K-vositalari algoritmi amalga oshirishning oson usulini quydagicha bo’lishi mumkin. Ommaboplikning sabablari k-vositalarining oson va soddaligi, ko'lamliligi, yaqinlashish tezligi va siyraklikka moslashuvchanligi ma'lumotlar.
K-o'rtacha algoritmini gradient tushish deb hisoblash mumkin. Klasterli tsentroidlarni boshlashdan boshlanadigan protsedura va maqsadni kamaytirish
uchun ushbu sentroidlarni takroriy ravishda yangilaydi qismdagi funktsiya. K-vositalari har doim mahalliyga yaqinlashadi eng kam. Topilgan ma'lum mahalliy minimum quyidagiga bog'liq boshlang'ich klasterlar. Globalni topish muammosi minimal NP bilan to'ldirilgan. Algoritm k-vositalari yangilanadi mahalliy minimal darajaga qadar klasterli tsentroidlar. 3-rasmda ko'rsatilgan k-vositalari algoritmining umumlashtirilgan psevdokodlari; va an'anaviyk-degan ma'noni anglatadi algoritmi shakl.
K-algoritmi yaqinlashguncha masofa hisob-kitoblar bir qator bajarilayotganda amalga oshiriladi oxirgi marta, l qiymatini ayting, bu erda l musbat butun son sifatida tanilgan k-takrorlashlar soni. L ning aniq qiymati o'zgaradi boshlang'ich boshlang'ich klasteriga qarab ham bir xil ma'lumotlar to'plami. Shunday qilib. Ning hisoblash vaqtining murakkabligi algoritmi O (nkl), bu erda n - ob'ektlarning umumiy soni ma'lumotlar to'plami, k - biz aniqlagan klasterlarning kerakli soni va l
- takrorlash soni Eng taniqli va mashhur klasterlash algoritmi: Taxminiy dastlabki klaster markazlari tanlaymiz.
Iteratsiya:
Har bir misolni eng yaqin markazga belgilang / klasterlang
Klasterdagi nuqtalarning o'rtacha qiymati sifatida markazlarni qayta hisoblang K-means: Misol:
3-rasm.K-means: Markazlarni tasodifiy ravishda tanlash
4-rasm. K-means: markazga eng yaqinligi bo’yicha guruhlash
5-rasm. K-means: markazlarni qayta sozlash
6-rasm. K-means: markazga eng yaqinligi bo’yicha guruhlash
7-rasm. K-means: markazlarni qayta sozlash
8-rasm. K-means: markazga eng yaqinligi bo’yicha guruhlash
9-rasm. K-means: markazlarni qayta sozlash
10-rasm. K-means: markazga eng yaqinligi bo’yicha guruhlash
11-rasm. K-means: Markazlarni aniqlash
12-rasm. K-means: Markazdan eng uzoq nuqtani aniqlash
K-vositalarni klasterlash usuli bu ma'lumotlar to'plamidagi ma'lumotlar ob'ektlarining klasterlarini aniqlash uchun foydalaniladigan nazoratsiz mashinani o'rganish texnikasi. Klasterlash usullarining xilma-xil turlari mavjud, ammo k- vositalari eng qadimgi va eng qulay usullardan biridir. Ushbu xususiyatlar, hatto boshlang'ich dasturchilar va ma'lumot olimlari uchun ham Python-da k-vositalarini klasterlashni amalga oshirishga imkon beradi.
13-rasm. K-means: Markazlarni aniqlash
Agar siz Python-da k-vositalari klasterini qanday va qachon amalga oshirishni bilishni xohlasangiz, unda bu to'g'ri joy. Biz Python yordamida k-vositalari klasterining oxiridan oxirigacha, ma'lumotlarni oldindan qayta ishlashdan natijalarni baholashgacha yuritamiz.
Agar yangi hosil bo'lgan klasterlarning sentroidlari o'zgarmasa, algoritmni to'xtatishimiz mumkin. Bir necha marta takrorlangandan keyin ham, agar biz barcha klasterlar uchun bir xil sentroidlarni olsak, algoritm hech qanday yangi namunani o'rganmayapti va bu mashg'ulotni to'xtatish belgisidir.
Agar takrorlash algoritmini o'rgatgandan keyin ham ballar bir xil klasterda qolsa, biz mashg'ulot jarayonini to'xtatishimiz kerak bo'lgan yana bir aniq belgi.
Va nihoyat, takroriy takrorlashning maksimal soniga erishilsa, mashg'ulotni to'xtatishimiz mumkin. Deylik, agar biz takrorlanishlar sonini 100 deb belgilagan bo'lsak. Jarayon to'xtashdan oldin 100 marta takrorlanadi.
|
| |
