2. Densitetsbaserad klustring (modellbaserade metoder)

Densitetsbaserad klustring, en modellbaserad metod, hittar grupper baserat på tätheten av datapunkter. I motsats till tyngdpunktsbaserad klustring, som kräver att antalet kluster är fördefinierat och är känsligt för initiering, bestämmer densitetsbaserad kluster antalet kluster automatiskt och är mindre känsligt för startpositioner. De är bra på att hantera kluster av olika storlekar och former, vilket gör dem idealiska för datauppsättningar med oregelbundet formade eller överlappande kluster. Dessa metoder hanterar både täta och glesa dataregioner genom att fokusera på lokal täthet och kan särskilja kluster med en mängd olika morfologier.

Däremot har tyngdpunktsbaserad gruppering, som k-medel, problem med att hitta godtyckligt formade kluster. På grund av dess förinställda antal klusterkrav och extrema känslighet för den initiala positioneringen av tyngdpunkter, kan resultaten variera. Dessutom begränsar tendensen hos tyngdpunktsbaserade tillvägagångssätt att producera sfäriska eller konvexa kluster deras förmåga att hantera komplicerade eller oregelbundet formade kluster. Sammanfattningsvis övervinner densitetsbaserad klustring nackdelarna med tyngdpunktsbaserade tekniker genom att autonomt välja klusterstorlekar, vara motståndskraftig mot initiering och framgångsrikt fånga kluster av olika storlekar och former. Den mest populära densitetsbaserade klustringsalgoritmen är DBSCAN .

3. Anslutningsbaserad klustring (hierarkisk klustring)

En metod för att sammanställa relaterade datapunkter till hierarkiska kluster kallas hierarkisk klustring. Varje datapunkt beaktas initialt som ett separat kluster, som sedan kombineras med de kluster som är mest lika för att bilda ett stort kluster som innehåller alla datapunkter.

Fundera på hur du kan ordna en samling föremål baserat på hur lika de är. Varje objekt börjar som sitt eget kluster vid basen av trädet när man använder hierarkisk klustring, vilket skapar ett dendrogram, en trädliknande struktur. De närmaste paren av kluster kombineras sedan till större kluster efter att algoritmen undersökt hur lika objekten är varandra. När varje objekt är i ett kluster högst upp i trädet har sammanslagningsprocessen avslutats. Att utforska olika granularitetsnivåer är en av de roliga sakerna med hierarkisk klustring. För att få ett givet antal kluster kan du välja att klippa dendrogram på en viss höjd. Ju mer lika två objekt är inom ett kluster, desto närmare är de. Det är jämförbart med att klassificera föremål enligt deras släktträd, där de närmaste släktingarna är samlade och de bredare grenarna betecknar mer allmänna kopplingar. Det finns två metoder för hierarkisk klustring:

• Delande klustring : Det följer en top-down-strategi, här betraktar vi alla datapunkter som en del av ett stort kluster och sedan delas detta kluster in i mindre grupper.
• Agglomerativ klustring : Det följer en bottom-up-strategi, här betraktar vi alla datapunkter som en del av individuella kluster och sedan klubbas dessa kluster ihop till ett stort kluster med alla datapunkter.

4. Distributionsbaserad klustering

Med hjälp av distributionsbaserad klustring genereras och organiseras datapunkter i enlighet med deras benägenhet att falla in i samma sannolikhetsfördelning (som en Gaussisk, binomial eller annat) inom data. Dataelementen grupperas med en sannolikhetsbaserad fördelning som är baserad på statistiska fördelningar. Inkluderat är dataobjekt som har större sannolikhet att vara i klustret. En datapunkt är mindre sannolikt att inkluderas i ett kluster ju längre den är från klustrets centrala punkt, som finns i varje kluster.

En anmärkningsvärd nackdel med densitet och gränsbaserade tillvägagångssätt är behovet av att specificera klustren a priori för vissa algoritmer, och i första hand definitionen av klusterformen för huvuddelen av algoritmer. Det måste finnas minst en inställning eller hyperparameter vald, och även om det ska vara enkelt, kan det få oväntade konsekvenser att göra fel. Distributionsbaserad klustring har en klar fördel jämfört med närhet och tyngdpunktsbaserade klustringsmetoder när det gäller flexibilitet, noggrannhet och klusterstruktur. Nyckelfrågan är att, för att undvika överanpassning , många klustringsmetoder fungerar bara med simulerad eller tillverkad data, eller när huvuddelen av datapunkterna verkligen tillhör en förinställd distribution. Den mest populära distributionsbaserade klustringsalgoritmen är Gaussisk blandningsmodell .

Tillämpningar av Clustering inom olika områden:

1. Marknadsföring: Den kan användas för att karakterisera och upptäcka kundsegment i marknadsföringssyfte.
2. Biologi: Den kan användas för klassificering mellan olika arter av växter och djur.
3. Bibliotek: Den används för att gruppera olika böcker utifrån ämnen och information.
4. Försäkring: Den används för att erkänna kunderna, deras policyer och identifiera bedrägerierna.
5. Stadsplanering: Det används för att göra grupper av hus och för att studera deras värden baserat på deras geografiska läge och andra faktorer som finns.
6. Jordbävningsstudier: Genom att lära oss de jordbävningsdrabbade områdena kan vi fastställa farliga zoner.
7. Bildbehandling : Klustring kan användas för att gruppera liknande bilder, klassificera bilder baserat på innehåll och identifiera mönster i bilddata.
8. Genetik: Clustering används för att gruppera gener som har liknande uttrycksmönster och identifiera gennätverk som samverkar i biologiska processer.
9. Finansiera: Clustering används för att identifiera marknadssegment baserat på kundbeteende, identifiera mönster i aktiemarknadsdata och analysera risker i investeringsportföljer.
10. Kundservice: Clustering används för att gruppera kundförfrågningar och klagomål i kategorier, identifiera vanliga problem och utveckla riktade lösningar.
11. Tillverkning : Clustering används för att gruppera liknande produkter, optimera produktionsprocesser och identifiera defekter i tillverkningsprocesser.
12. Medicinsk diagnos: Clustering används för att gruppera patienter med liknande symtom eller sjukdomar, vilket hjälper till att ställa korrekta diagnoser och identifiera effektiva behandlingar.
13. Spårning av bedrägerier: Clustering används för att identifiera misstänkta mönster eller anomalier i finansiella transaktioner, vilket kan hjälpa till att upptäcka bedrägerier eller andra ekonomiska brott.
14. Trafikanalys: Clustering används för att gruppera liknande mönster av trafikdata, såsom rusningstid, rutter och hastigheter, vilket kan hjälpa till att förbättra transportplanering och infrastruktur.
15. Analys av sociala nätverk: Clustering används för att identifiera gemenskaper eller grupper inom sociala nätverk, vilket kan hjälpa till att förstå socialt beteende, inflytande och trender.
16. Cybersäkerhet: Clustering används för att gruppera liknande mönster av nätverkstrafik eller systembeteende, vilket kan hjälpa till att upptäcka och förhindra cyberattacker.
17. Klimatanalys: Clustering används för att gruppera liknande mönster av klimatdata, såsom temperatur, nederbörd och vind, vilket kan hjälpa till att förstå klimatförändringar och dess påverkan på miljön.
18. Sportanalys: Clustering används för att gruppera liknande mönster av spelar- eller lagprestationsdata, vilket kan hjälpa till att analysera spelarens eller lagets styrkor och svagheter och fatta strategiska beslut.
19. Brottsanalys: Clustering används för att gruppera liknande mönster av brottsdata, såsom plats, tid och typ, vilket kan hjälpa till att identifiera hotspots för brott, förutsäga framtida brottstrender och förbättra brottsförebyggande strategier.

Slutsats

I den här artikeln diskuterade vi Clustering, dess typer och dess tillämpningar i den verkliga världen. Det finns mycket mer att ta upp i oövervakat lärande och klusteranalys är bara det första steget. Den här artikeln kan hjälpa dig att komma igång med klustringsalgoritmer och hjälpa dig att få ett nytt projekt som kan läggas till din portfölj.

Vanliga frågor (FAQ) om klustring

F. Vilken är den bästa klustringsmetoden?

De 10 bästa klustringsalgoritmerna är:

1. K-betyder Clustering
2. Hierarkisk klustring
3. DBSCAN (Density-Based Spatial Clustering of Applications with Noise)
4. Gaussiska blandningsmodeller (GMM)
5. Agglomerativ klustring
6. Spektral klustring
7. Mean Shift Clustering
8. Affinitetsförökning
9. OPTIK (beställningspunkter för att identifiera klustringsstrukturen)
10. Björk (Balanserad iterativ reduktion och klustring med hjälp av hierarkier)

F. Vad är skillnaden mellan klustring och klassificering?

Den största skillnaden mellan klustring och klassificering är att klassificering är en övervakad inlärningsalgoritm och klustring är en oövervakad inlärningsalgoritm. Det vill säga, vi tillämpar klustring på de datamängder som saknar målvariabel.

F. Vilka är fördelarna med klustringsanalys?

Data kan organiseras i meningsfulla grupper med hjälp av det starka analytiska verktyget klusteranalys. Du kan använda den för att lokalisera segment, hitta dolda mönster och förbättra beslut.

F. Vilken är den snabbaste klustringsmetoden?