Klastry danych

Klastry

Klastry to zbiory danych oparte na podobieństwie.

Punkty danych zgrupowane razem na wykresie często można podzielić na klastry.

Na poniższym wykresie możemy wyróżnić 3 różne klastry:

Identyfikacja klastrów

Klastry mogą zawierać wiele cennych informacji, ale gromady przybierają różne kształty, więc jak je rozpoznać?

Dwie główne metody to:

• Korzystanie z wizualizacji
• Korzystanie z algorytmu klastrowania

Grupowanie

Klastrowanie jest rodzajem uczenia się nienadzorowanego .

Klastrowanie próbuje:

• Zbieraj podobne dane w grupach
• Zbieraj niepodobne dane w innych grupach

Metody grupowania

• Metoda gęstości
• Metoda hierarchiczna
• Metoda partycjonowania
• Metoda oparta na siatce

Metoda gęstości uważa, że ​​punkty w gęstych regionach mają więcej podobieństw i różnic niż punkty w mniej gęstym regionie. Metoda gęstości ma dobrą dokładność. Posiada również możliwość łączenia klastrów.
Dwa popularne algorytmy to DBSCAN i OPTICS.

Metoda hierarchiczna tworzy klastry w strukturze drzewiastej. Nowe klastry powstają przy użyciu wcześniej utworzonych klastrów.
Dwa popularne algorytmy to CURE i BIRCH.

Metoda oparta na siatce formułuje dane w skończoną liczbę komórek, które tworzą strukturę podobną do siatki.
Dwa popularne algorytmy to CLIQUE i STING

Metoda partycjonowania dzieli obiekty na k klastrów, a każda partycja tworzy jeden klaster.
Jednym z powszechnych algorytmów jest CLARANS.

Współczynnik korelacji

Współczynnik korelacji (r) opisuje siłę i kierunek zależności liniowej oraz zmiennych x/y na wykresie rozrzutu.

Wartość r zawsze mieści się w przedziale od -1 do +1: