Clustering Algoritmer Används i Data Science - dummies

Du använder klustringsalgoritmer för att dela upp dina dataset i kluster av datapunkter som mest liknar ett fördefinierat attribut. Om du har en dataset som beskriver flera attribut om en viss funktion och vill gruppera dina datapunkter enligt deras attribut likheter, använd sedan klustringsalgoritmer.

En enkel scatterplot av Country Income and Education dataset ger diagrammet som du ser här.

I oövervakad clustering startar du med denna data och fortsätter sedan för att dela den i delmängder. Dessa delmängder heter kluster och består av datapunkter som mest liknar varandra. Det verkar som om det finns minst två kluster, förmodligen tre på botten med låginkomst och utbildning, och sedan ser högskolan ut som om de kan delas mellan låg och hög inkomst.

Följande bild visar resultatet av eyeballing - gör en visuell uppskattning av - kluster i denna dataset.

Även om du kan generera visuella uppskattningar av gruppering kan du uppnå mycket mer exakta resultat när du hanterar mycket större dataset genom att använda algoritmer för att generera kluster för dig. Visuell uppskattning är en grov metod som bara är användbar på mindre dataset med minimal komplexitet. Algoritmer -producerar exakta, repeterbara resultat och du kan använda algoritmer för att generera kluster för flera dimensioner av data inom datasetet.

Klyvningsalgoritmer är en typ av tillvägagångssätt vid oövervakad maskininlärning. Andra metoder inkluderar Markov-metoder och metoder för dimensionreduktion. Clustering algoritmer är lämpliga i situationer där följande egenskaper är sanna:

• Du känner till och förstår datasetet du analyserar.

• Innan du kör klustringsalgoritmen har du inte en exakt uppfattning om delarnas karaktär (kluster). Ofta vet du inte ens hur många delmängder som finns i datasetet innan du kör algoritmen.

• Delarna (kluster) bestäms av endast den dataset du analyserar.

• Ditt mål är att bestämma en modell som beskriver deluppsättningarna i en enda dataset och endast denna dataset.

Om du lägger till mer data borde du ompröva analysen från början för att få fullständiga och exakta modellresultat.