LegközelebbKövetkező útmutató
K-Means klaszterezés
Alapok
Műszaki ÚTMUTATÓ
Az átlagos eltolás egy mód-kereső klaszterezési módszer, amely ismételten mozgatja a jelölt központokat a nagyobb becsült adatsűrűségű régiók felé.
Hallgassa meg ezt az útmutatótAI-narrált · ~3 min
A klaszterszámra következtethet a sűrűségmódokból, ahelyett, hogy k előre megkövetelné, de a sávszélessége szabályozza ezen módok léptékét, és erősen alakítja az eredményt.
Az átlagos eltolódás a megfigyeléseket egy mögöttes sűrűségből származó mintaként kezeli, és megkeresi annak módusait vagy helyi csúcsait. Minden maghely esetében megvizsgálja a sávszélességen belüli pontokat, és a magot a szomszédok súlyozott átlaga felé tolja el. A frissítés megismétlése a vetőmagot felfelé mozgatja a becsült sűrűségű felületen. Azok a magok, amelyek közel azonos módozathoz konvergálnak, egy csoportba vannak csoportosítva. A módszer a klaszterek számára következtethet a módusokból ahelyett, hogy fix k-t kérne. A sávszélesség a legfontosabb skálaparaméter. A szűk sávszélesség megőrzi a finom helyi ütéseket, és sok kis módot hozhat létre. A széles sávszélesség erősebben simítja a sűrűséget, és egyesítheti a közeli csúcsokat, potenciálisan elrejtve értelmes alcsoportokat. Így a becsült klaszterszám nem paramétermentes, még akkor sem, ha k nincs megadva. A funkciók méretezése és a kernel távolsága is befolyásolja, hogy mely pontok járulnak hozzá az egyes frissítésekhez. Egy hipotetikus kétdimenziós adathalmazban három egyértelmű sűrűségcsúccsal a térben elhelyezett magvak a csúcsok felé mozoghatnak, és konvergálhatnak. Ha a sávszélesség túl nagy lesz, két szomszédos csúcs egybeolvadhat; ha túl kicsi, egy csúcs több részre is széttöredezhet. Az inicializálás vagy a magok kiválasztása befolyásolja a számítási költségeket és azt, hogy a vonzás mely medencéit vizsgálják. Az átlagos eltolódás költséges lehet nagy adatkészletek esetén, mivel sok jelölt mag ismételten lekérdezi a szomszédokat. Az átlagos eltolódás akkor a legalkalmasabb, ha a sűrűségmódok a csoportok értelmes definíciói. Megküzdhet a változó klasztersűrűséggel, a nagy dimenziójú távolsági viselkedéssel és a világos csúcsok nélküli széles, lapos régiókkal. Nem ad kalibrált valószínűséget a tagságra. Az új pontokra vonatkozó szabályok a megvalósítástól függően változnak; A scikit-learn új pontokat rendel a legközelebbi illeszkedő középponthoz, ez egy kemény címke szabály, nem pedig egy kalibrált tagsági valószínűség. Vizsgálja meg a sűrűségskálát és az érzékenységet, hasonlítsa össze az alternatív módszerekkel, és mérje fel, hogy a módok támogatják-e a downstream feladatot. A fürt egy mód egy kiválasztott kernel és sávszélesség alatt, nem automatikusan természetes kategória.
Egy hipotetikus pontfelhőnek több sűrű csúcsa van. Az átlagos eltolódás a magoktól indul, és iteratívan mozgatja mindegyiket a közeli pontok helyi átlaga felé, amíg a mozgás kicsi lesz; a konvergáló magvak módokba vannak csoportosítva.
Egy elemző nagyon kis sávszélességet használ, és sok közeli módot lát. A sávszélesség növelése simítja a sűrűséget, és egyesítheti a csúcsokat, ezért a sávszélesség kiválasztásakor az értelmes struktúra léptékét tartják szem előtt.
Egy csapat szabványosítja a funkciókat a távolságalapú kernel használata előtt, mivel egy több ezerben mért jellemző uralhatja a környékeket a törtszámmal mérthez képest.
A kutató a számítások csökkentése érdekében a sávszélességet a páronkénti távolságok részmintájából becsüli meg, majd ellenőrzi, hogy a klaszter-hozzárendelések stabilak maradnak-e a közeli sávszélesség-választások mellett.
Az átlageltolódási eredmények könnyebben értékelhetők, ha a csapatok a hozzárendelt csoportok mellett mutatják a sávszélességet, a magstratégiát és a sűrűségmódokat. Valószínű sávszélességek tartományának tesztelése feltárhatja, hogy a klaszterszám stabil-e, vagy egy tetszőleges simítási skála hozza létre. Nagy adatmennyiség esetén az almintavételezett sávszélesség-becslés és a mag-binning csökkentheti a munkát, de ellenőrizni kell a hozzárendelés minőségével. Ha a sűrűség nagymértékben eltér a csoportonként, az elemzőknek össze kell hasonlítaniuk azokat a módszereket, amelyek alkalmazkodnak a helyi skálákhoz. A mód-kereső eredmény akkor nyer gyakorlati értéket, ha csúcsai olyan mintáknak felelnek meg, amelyeket a tartományfelhasználók értelmezhetnek és cselekedhetnek.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
Az átlagos eltolás egy mód-kereső klaszterezési módszer, amely ismételten mozgatja a jelölt központokat a nagyobb becsült adatsűrűségű régiók felé. A klaszterszámra következtethet a sűrűségmódokból, ahelyett, hogy k előre megkövetelné, de a sávszélessége szabályozza ezen módok léptékét, és erősen alakítja az eredményt.
A frissítés a magot a közeli kernelsúlyozott pontok által meghatározott helyi átlag felé mozgatja.
A sávszélesség beállítja a szomszédság léptékét és a sűrűségsimítást.
Egy szélesebb simítási skála összekeverheti a szomszédos csúcsokat, és csökkentheti a módok számát.
Egy kis sávszélesség megtartja a finom méretű dudorokat, amelyek nem feltétlenül jelentenek hasznos csoportokat.
A jellemzőskálák befolyásolják a távolságot, és ezért azt, hogy mely megfigyelések kapnak helyi kernelsúlyt.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
K-Means klaszterezés
Alapok