|
Guruh talabasi Atanazarov Bobojonning mashinali o’qitish fanidan 3 amalyot ishi Amaliyot ishi №3
|
| Sana | 07.12.2023 | | Hajmi | 397.48 Kb. | | #112986 |
Bog'liq Bobojon Atanazarov mashinali oqitish fanidan 3 amalyot ishi 4K kompetentsiyalarini rivojlantiruvchi ta’lim o‘yinini loyihalash, ziyovuddin, U. NORKULOV , M. ISAKULOVA , G. ABILKASIMOVA , R. MURODOV , I. RUZAEV, 776066 (1), Ómir qáwipsizligi Jumabek
913-21 Guruh talabasi
Atanazarov Bobojonning
mashinali o’qitish
fanidan 3 amalyot ishi
Amaliyot ishi №3
Mavzu:KNIME va Python muhitida klasterizatsiya masalasini yechishni o’rganish.
Ishdan maqsad:Knime va Python muhitida klasterizatsiya masalasini yechishni o’rganish.
Ma’lumotlarni intelektual tahlilining obyekti o’z ichiga Sinflarga ajratish (classsification), Klasterizatsiya (Clustering), Assosiativ qoidalarni izlash (Searing association rule) va Bashoratlash(Forecasting) kabi masalalarni qamrab oladi. 1.Klasterizatsiya-bu berilgan obyektlar toplamini xususiyatlari bo’yicha bir-biriga yaqin guruhlarga ajratishdir. Bunda bir biriga o’xshash obyektlar bir guruhga yig’ilishi va bu guruhlar iloji boricha bir biriga o’xshamasligi kerak. Bu guruhlar klasterlar deb ham yuritiladi. Bugungi kunda klasterizatsiya masalasini yechish uchun ko’plab uslublar va ular asosida bir nechta algoritmlar ishlab chiqilgan. Lekin bu algoritmlarni hech biri optimal hisoblanmaydi. Ba’zi algoritmlar bir xil masalalarda to’g’ri klasterlarga ajratsa, shu algoritm boshqa masala uchun to’g’ri yechim qabul qila olmasligi mumkin. Mavjud algoritmlarni ishlash uslubiga qarab quidagi sinflarga ajratish mumkin:
Exclusive
Ketma-ketlikka asoslangan(Overlapping)
Daraxtsimon(Hierarchical)
Extimollik bo’yicha(Probabilistic)
Eksklusiv klasterlash algoritmlariga misol qilib k-means algoritmini, ketma-ketlikka asoslangan fuzzy c-means, ierarxik uchun CobWeb, extimollik bo’yicha qidiruvchi algorimlarga esa misol qilib EM algoritmini aytishimiz mumkin. Klasterlar analizi haqidagi birinchi nashr o‘tgan yuz yillikning 30-yillarida paydo bo‘ldi. Ammo bu usulning faol rivojlanishi va uning keng qo‘llanilishi 60-yillar oxiri, 70-yillar boshiga to‘g‘ri keladi. Keyinchlik bu ko‘p o‘lchamli analizni yo‘nalish intensiv ravishda tarqaldi, yangi usullari paydo bo‘ldi, ma‘lum algoritmlar modefikatsiyalandi, klasterlar analizining tadbiq etilish sohasi sezilarli darajada kengaydi. Agar dastlab ko‘p o‘lchamli sinflash psixalogiya, bialogiya, arxeologiya sohalarida qo‘llanilgan bo‘lsa, hozir esa ular sotsialogiya, iqtisod, statistika va tarixiy izlanishlarda ham faol qo‘llanilmoqda.
Hisoblash mashinalari paydo bo‘lgandan keyin ularning qo‘llanilishi alohida bir ko‘rinishda kengayib bordi. Bu katta hajmdagi axborotlarni ishlash bilan bog‘liq. Klasterizatsiya klassifikatsiyadan farqi shundaki, o‘rganiladigan analizda ajratilgan maqsad o‘zgaruvchilari talab etilmaydi. Shu nuqtai nazardan u unsupervised learning sinfiga qarashli bo‘ladi. Bu masalani o‘rganishning birinchi bosqichida ma‘lumot haqida juda kam ma‘lum bo‘lganda echiladi. Uning yechimi ma‘lumotni yaxshiroq tushunishga yordam beradi. Bu nuqtai nazardan klasterizatsiya masalasi tavsifiy masala bo‘ladi (discriptive).
Klasterizatsiya bosqichlari uchun yozuvlar va o‘zgaruvchilar orasidagi farq yo‘qligidir, aksincha yaqinroq guruhlar va o‘xshash yozuvlar izlanadi. Avtomatik klasterlarga bo‘linish usuli to‘g‘ridan – to‘g‘ri kam ishlatiladi, faqat o‘xshash ob‘yektlar guruhini hosil qilish uchun ishlatiladi. Klasterlarga ajratish bilan analiz boshlanadi. Klasterlarni aniqlagandan so‘ng bosha Data Mining usullaridan foydalanib, klasterlarga bo‘linish nimani bildirishi, u nima bilan bog‘liqligini aniqlashga harakat qiladi. Klasterlar analizining katta ahamiyatga egaligi shundaki, u ob‘yektlar bo‘linishini bitta parametr bo‘yicha olmaydi, balki butun belgilar majmuasini qamrab oladi. Bundan tashqari klasterlar analizi boshqa ko‘pgina matematik – statistik usullardan farqli ravishda, qaralayotgan ob‘yektlarga hech qanday chegaralash quyilmaydi va ma‘lumotlarning boshlang‘ich to‘plami sifatida tabiatdagi ixtiyoriy to‘plamni qarashga yo‘l beradi. Klasterlar analizi katta hajmdagi axborotlarni ko‘rish va keskin qisqartirish, katta massivli axborotlarni siqish, ularni kompakt va yaqqol qilish imkoniyatini beradi. Klasterizatsiya masalasi o‘rganilayotgan ob‘yektlar to‘plamini klasterlar deb ataluvchi ―o‘xshash‖ ob‘yektlar guruhlariga ajratishdan iborat. Klaster so‘zi ingliz tilidan kelib chiqqan bo‘lib (claster), zichlik, dasta, guruh kabi tarjima qilish mumkin. Adabiyotda qo‘llaniladigan o‘xshash ma‘nolari sinf, takson,zichlanish degan ma‘nolarni beradi. Ba‘zan, to‘plam elementlarini klasterlarga ajratish masalasi klasterlar analizi deb ataladi. Klassefikatsiya masalasining yechimida har bir ma‘lumotlar ob‘yekti oldindan aniqlangan bir (yoki bir necha) sinfga oid bo‘ladi va ma‘lumotlar ob‘ekti to‘plamini sinflarga ajratish aniq hisoblarga asoslanadi. Klasterlash masalasida esa har bir ma‘lumotlar ob‘ektlari oldindan aniqlangan bir (yoki bir necha) sinflarga oidligi aniqlanadi. Ma‘lumotlar ob‘ektlarini klasterlarga ajratish ham ularni shakllantirish bilan bir vaqtda amalga oshiriladi. Klasterlarni aniqlash va ma‘lumotlar ob‘ektlari bo‘yicha bo‘linish ma‘lumotlarning yakuniy modelini beradi. Bu model o‘z vaqtida klasterizatsiya masalasining yechimi bo‘ladi. Qaralayotgan klasterizatsiya masalasining qator xususiyatlarini qaraymiz. - Birinchidan, ob‘ektlar ma‘lumotlari yechmi tabiatiga (va ular atributiga ) kuchli bog‘liq. Demak, boshqa tamondan bu ob‘ektlarning qat‘iy miqdoriy qiyofasini aniqlaydi, boshqa tamondan esa ehtimollikka ega yoki noqat‘iy tavsifli ob‘ektlarni bildiradi. - Ikkinchidan, yechim sinfining ifodalanishi va faraz qilingan ma‘lumotlar ob‘ekti munosabatiga va sinflarga ham katta bog‘liq. Ob‘ektlarning bir necha sinfga qarashli bo‘lish imkoniyati borligi yoki imkoni yo‘qligini bilish zarur. Sinfga qarashlilik xossasining o‘zini ham aniqlash zarur: bir qiymatli (qarashli, qarashli emas), ehtimollik (qarashlilik ehtimoli), noqat‘iy (qarashlilik darajasi). Klasterizatsiya masalasi ma‘lumotlarning intellektual analizida muhim o‘rin egallab, uning yechimi uchun ko‘pgina usullar ishlab chiqilgan. Ulardan biri – ma‘lumotlar ob‘ektining berilgan sinfga qarashli yoki qarashli emasligini ko‘rsatuvchi sinflarning xarakteristik funksiyalari majmuasini qurish.
|
| |
