Agrupamento de deslocamento médio

O deslocamento médio trata as observações como amostras de uma densidade subjacente e procura seus modos, ou picos locais. Para cada localização de semente, ele examina pontos dentro de uma largura de banda e desloca a semente em direção a uma média ponderada desses vizinhos. A repetição da atualização move a semente para cima na superfície de densidade estimada. As sementes que convergem perto do mesmo modo são agrupadas como um cluster. O método pode inferir o número de clusters a partir dos modos, em vez de solicitar um k fixo. A largura de banda é o parâmetro chave da escala. Uma largura de banda estreita preserva pequenas saliências locais e pode criar muitos modos pequenos. Uma largura de banda ampla suaviza a densidade com mais força e pode mesclar picos próximos, ocultando potencialmente subgrupos significativos. Assim, a contagem estimada de clusters não é isenta de parâmetros, embora k não seja fornecido. A escala de recursos e a distância do kernel também influenciam quais pontos contribuem para cada atualização. Em um conjunto de dados bidimensional hipotético com três picos de densidade claros, as sementes colocadas no espaço podem se mover em direção a esses picos e convergir. Se a largura de banda se tornar muito grande, dois picos vizinhos poderão se misturar em um; se for muito pequeno, um pico pode se fragmentar em vários. A inicialização ou seleção de sementes afeta o custo computacional e quais bacias de atração são exploradas. A mudança média pode ser cara para grandes conjuntos de dados porque muitas sementes candidatas consultam repetidamente os vizinhos. A mudança média é mais adequada quando os modos de densidade são uma definição significativa de grupos. Ele pode enfrentar densidades variadas de clusters, comportamento de distância de alta dimensão e regiões amplas e planas sem picos claros. Não fornece uma probabilidade calibrada de adesão. As regras dos novos pontos variam de acordo com a implementação; O scikit-learn atribui novos pontos ao centro ajustado mais próximo, uma regra rígida em vez de uma probabilidade de adesão calibrada. Inspecione a escala de densidade e a sensibilidade, compare com métodos alternativos e avalie se os modos suportam a tarefa posterior. Um cluster é um modo sob um kernel e largura de banda escolhidos, não automaticamente uma categoria natural.