Klasterlashtirish haqida

Sifat chora-tadbirlarini klasterlash
Klasterlash sifatini baholash uchun muammoni diskret optimallashtirish muammosi nuqtai nazaridan qayta shakllantirish mumkin. X to'plamdagi ob'ektlarni solishtirish kerak
tanlangan sifat funksiyasining qiymati eng yaxshi qiymatni olishi uchun klaster belgilari. Misol tariqasida, klaster ichidagi o'rtacha masofa F0=∑iIlovalar
Biologiya va bioinformatika
Ekologiya sohasida klasterlash bir jinsli sharoitda organizmlarning fazoviy va vaqtinchalik jamoalarini farqlash uchun ishlatiladi;
Klaster tahlili o'xshash genomik ketma-ketliklarni ko'plab organizmlarda saqlanib qolgan tuzilmalar bo'lgan va o'xshash funktsiyalarni bajarishi mumkin bo'lgan gen oilalariga guruhlash uchun ishlatiladi;
Klasterlash xromosomalarning turli qismlari uchun genotiplarni avtomatik ravishda aniqlashga yordam beradi;
Algoritmlar inson genomidagi genetik o'zgarishlarning oz sonli guruhlarini ajratish uchun ishlatiladi.
Dori
Pozitron emissiya tomografiyasida 3D tasvirda turli to‘qimalar turlarini avtomatik ravishda ajratib ko‘rsatish uchun foydalaniladi;
Antibiotiklarga qarshilik naqshlarini aniqlash uchun foydalaniladi; antibiotiklarni antibakterial faollik turiga qarab tasniflash.
Marketing
Klasterlash turli so'rovlardan olingan ma'lumotlarni qayta ishlash uchun bozor tadqiqotlarida keng qo'llaniladi. U odatiy mijozlar guruhlarini ajratib ko'rsatish, shaxsiylashtirilgan takliflarni yaratish uchun bozorni bo'lish, yangi mahsulot qatorlarini ishlab chiqish uchun ishlatilishi mumkin.
Internet
Ijtimoiy tarmoqlardagi ulanishlar grafigi asosida odamlar guruhlarini tanlash;
Qidiruv so'rovlarining semantik ma'nolariga ko'ra veb-saytlarni guruhlash orqali qidiruv so'rovlariga javoblarning dolzarbligini oshirish.
Kompyuter fanlari
Klasterlash qirralarni aniqlash va ob'ektni aniqlash uchun tasvir segmentatsiyasida qo'llaniladi;
Klaster tahlili evolyutsiya parametrlarini yaxshilash uchun evolyutsion algoritmlarning ishlashi davomida hosil bo'lgan populyatsiya bo'shliqlarini aniqlash uchun ishlatiladi;
Ushbu klasterdagi boshqa foydalanuvchilarning afzalliklaridan kelib chiqqan holda foydalanuvchi uchun tavsiyalarni tanlash;
Klasterlarni qurish va tasniflanmagan ob'ektlarni aniqlash orqali anomaliyalarni aniqlash.
Ba'zi klasterlash algoritmlarining psevdokodi K-Means usuli (Lloyd algoritmi) .Asosiy g'oya shundan iboratki, har bir iteratsiyada oldingi bosqichda olingan har bir klaster uchun massa markazi qayta hisoblab chiqiladi, so'ngra tanlangan metrikaga ko'ra yangi markazlarning qaysi biri yaqinroq ekanligiga qarab ob'ektlar yana klasterlarga bo'linadi. Ba'zi iteratsiyalarda klaster ichidagi masofada hech qanday o'zgarish bo'lmasa, algoritm tugaydi.
Algoritm klaster ichidagi kvadratik masofalar yig‘indisini minimallashtiradi: ∑mi=1||xi−mcai||2→min{ai},{mca},||xi−mca||2=∑nj=1(fj(xi) −maj) 2 Algoritmga kirish Xm={x1,…,xm} namunasidir va klasterlar soni K=|Y|.Chiqishda biz klaster markazlarini olamiz m a∈Y klasterlar uchun.

μa:=init(Xm)

# Инициализируем произвольно начальное приближение для центров кластеров a∈Y
. (Можно наиболее удалённые друг от друга объекты выборки)
A:=[−1|forxi∈Xm]
# Инициализируем массив отображений из объектов выборки в их кластеры
changed:=True
while
changed
: # Повторяем пока Ai
изменяются
changed:=False
for
xi∈Xm
: # Относим каждый xi
к ближайшему центру
Ai,old:=Ai
Ai:=argmina∈Y||xi−μa||
if
Ai≠Ai,old:
changed:=True
for
a∈Y
: # Вычисляем новые положения центров
μa:=∑mi=1[Ai=a]xi∑mi=1[Ai=a]
return
μa,A
# Возвращаем центры кластеров и распределение по ним объектов выборки
R misol
Asosiy maqola: R kodi misollari ClusterR to'plami k-means algoritmini amalga oshirish uchun ishlatiladi. U ikkita funktsiyani amalga oshiradi: KMeans_arma() va KMeans_rcpp(). Quyidagi misol funksiyadan foydalangan holda amalga oshirishni ko'rsatadi KMeans_arma().
# importing package and its' dependencies
library(ClusterR)

# reading data

data <- read.csv("data.csv")

# evaluating model

model <- KMeans_arma(data, clusters = 2, n_iter = 10, seed_mode = "random_subset",
verbose = T, CENTROIDS = NULL)

# predicting results

predictions <- predict_KMeans(test_data, model)