Betydelsen av klustring och klassificering i datavetenskap - dummies

Syftet med klustrings- och klassificeringsalgoritmer är att skapa förnuft och extrahera värde från stora uppsättningar av strukturerad och ostrukturerad data. Om du arbetar med stora volymer av ostrukturerad data, är det bara meningsfullt att försöka dela upp data till någon form av logiska grupperingar innan du försöker analysera den.

Clustering och klassificering gör att du kan ta en massa synpunkter på dina data och bilda sedan några logiska strukturer utifrån vad du hittar där innan du går djupare in i muttrar och bultanalyser.

I sin enklaste form är kluster uppsättningar datapunkter som delar liknande attribut och klusteralgoritmer är de metoder som grupperar dessa datapunkter till olika kluster baserade på deras likheter. Du får se klyvningsalgoritmer som används för sjukdomsklassificering inom medicinsk vetenskap, men du ser dem också för kundklassificering i marknadsundersökningar och för miljöhälsoriskbedömning inom miljöteknik.

Det finns olika kluster metoder beroende på hur du vill att din dataset ska delas. De två huvudtyperna av klustringsalgoritmer är

• Hierarkiska: Algoritmer skapar separata uppsättningar nestade kluster, var och en i sin egen hierarkiska nivå.

• Partition: Algoritmer skapar bara en enda uppsättning kluster.

Du kan bara använda hierarkiska klustringsalgoritmer om du redan känner av separationsavståndet mellan datapunkterna i datasetet. Den k-närmaste grannalgoritmen som beskrivs i detta kapitel tillhör den hierarkiska klassen av klustringsalgoritmer.

Du kanske har hört talas om klassificering och trodde att klassificeringen är densamma som kluster. Många gör det, men det är inte så. I klassificeringen, innan du börjar, vet du redan hur många klasser din data ska grupperas i och du vet redan vilken klass du vill att varje datapunkt ska tilldelas. I klassificeringen är uppgifterna i den dataset som lärs ut från märkt.

När du använder klustringsalgoritmer har du däremot inget fördefinierat koncept för hur många kluster som är lämpliga för dina data, och du är beroende av klustringsalgoritmerna för att sortera och klustra data på det mest lämpliga sättet. Med clusteringsteknik lär du dig från omärkta data.

För att bättre illustrera klassens karaktär, ta en titt på Twitter och dess hash-tagging system.Säg att du bara har tagit hand om din favoritdryck i hela världen: en isad karamell latte från Starbucks. Du är så glad att ha din drink som du bestämmer dig för att tweet om det med ett foto och frasen "Detta är den bästa latten någonsin! #StarbucksRocks. "Ja, självklart, du inkluderar" #StarbucksRocks "i din tweet så att tweeten går in i #StarbucksRocks-strömmen och klassificeras tillsammans med alla andra tweets som har markerats som #StarbucksRocks. Din användning av hashtag-etiketten i din tweet berättade för Twitter hur du klassificerar dina data i en igenkännlig och tillgänglig grupp eller kluster .