Video: k-Means and Hierarchial Clustering using R-Studio 2024
Der Zweck von Clustering- und Klassifikationsalgorithmen besteht darin, aus großen Mengen strukturierter und unstrukturierter Daten einen Sinn zu ziehen und daraus Werte zu extrahieren. Wenn Sie mit großen Mengen unstrukturierter Daten arbeiten, ist es nur sinnvoll, die Daten in logische Gruppierungen aufzuteilen, bevor Sie versuchen, sie zu analysieren.
Clustering und Klassifizierung ermöglichen es Ihnen, einen umfassenden Blick auf Ihre Daten in Massen zu werfen und dann basierend auf dem, was Sie dort finden, einige logische Strukturen zu bilden, bevor Sie tiefer in die Analyse von Muttern und Schrauben einsteigen.
In ihrer einfachsten Form sind Cluster Gruppen von Datenpunkten, die ähnliche Attribute haben, und Clustering-Algorithmen sind die Methoden, die diese Datenpunkte zu verschiedenen Gruppen zusammenfassen. Cluster auf der Grundlage ihrer Ähnlichkeiten. Sie werden Clustering-Algorithmen für die Klassifizierung von Krankheiten in der medizinischen Wissenschaft sehen, aber Sie werden sie auch für die Klassifizierung von Kunden in der Marktforschung und für die Umweltverträglichkeitsprüfung in der Umwelttechnik verwenden.
Es gibt verschiedene Clustering-Methoden, abhängig davon, wie Sie Ihre Datenmenge teilen möchten. Die beiden Haupttypen von Clustering-Algorithmen sind
-
Hierarchisch: Algorithmen erstellen separate Sätze von verschachtelten Clustern, jeweils auf ihrer eigenen Hierarchieebene.
-
Partitional: Algorithmen erzeugen nur einen einzigen Satz von Clustern.
Sie können hierarchische Clustering-Algorithmen nur verwenden, wenn Sie bereits den Abstand zwischen den Datenpunkten in Ihrem Datensatz kennen. Der in diesem Kapitel beschriebene k-nearest-neighbor-Algorithmus gehört zur hierarchischen Klasse der Clustering-Algorithmen.
Vielleicht haben Sie schon von der Klassifizierung gehört und gedacht, dass Klassifizierung dasselbe ist wie Clustering. Viele Leute tun das, aber das ist nicht der Fall. Bei der Klassifizierung wissen Sie bereits vor dem Start, wie viele Klassen Sie gruppieren sollten und welche Klasse Sie jedem Datenpunkt zuweisen möchten. Bei der Klassifizierung werden die Daten in dem Datensatz, von dem gelernt wird, gekennzeichnet.
Wenn Sie Clustering-Algorithmen verwenden, haben Sie dagegen kein vordefiniertes Konzept dafür, wie viele Cluster für Ihre Daten geeignet sind, und Sie verlassen sich auf die Clustering-Algorithmen, um die Daten auf die am besten geeignete Art zu sortieren und zu gruppieren. Mit Clustering-Techniken lernen Sie von nicht beschrifteten Daten.
Um die Art der Klassifizierung besser zu veranschaulichen, werfen Sie einen Blick auf Twitter und sein Hash-Tagging-System.Sagen wir, Sie haben gerade Ihr Lieblingsgetränk in der ganzen Welt ergattern können: einen geeisten Caramel Latte von Starbucks. Du bist so glücklich, deinen Drink zu haben, dass du dich dafür entscheidest, ihn mit einem Foto und dem Satz "Dies ist der beste Latte aller Zeiten!" Zu twittern. #StarbucksRocks. "Nun, natürlich schließt du" #StarbucksRocks "in deinen Tweet ein, so dass der Tweet in den #StarbucksRocks-Stream kommt und zusammen mit all den anderen Tweets, die als #StarbucksRocks bezeichnet wurden, klassifiziert wird. Ihre Verwendung des Hashtag-Labels in Ihrem Tweet hat Twitter mitgeteilt, wie Sie Ihre Daten in eine erkennbare und zugängliche Gruppe oder in Cluster klassifizieren können.
