Кластерный анализ - История изменений

Admin: /* Задачи */

2022-06-11T16:56:57Z

‎Задачи

Admin в 14:46, 17 августа 2019

2019-08-17T14:46:07Z

Admin в 09:54, 20 декабря 2016

2016-12-20T09:54:29Z

Admin в 09:53, 20 декабря 2016

2016-12-20T09:53:51Z

Admin: Новая страница: «'''Кластерный анализ''' (англ. cluster analysis) — многомерная статистическая процедура, выполняю…»

2016-09-07T15:01:33Z

Новая страница: «'''Кластерный анализ''' (англ. cluster analysis) — многомерная статистическая процедура, выполняю…»

Новая страница

'''Кластерный анализ''' (англ. cluster analysis) — многомерная статистическая процедура, выполняющая сбор данных, содержащих информацию о выборке объектов, и затем упорядочивающая объекты в сравнительно однородные группы. Задача кластеризации относится к статистической обработке, а также к широкому классу задач [[машинное обучение|обучения без учителя]].

== Требования к данным ==
Можно встретить описание двух фундаментальных требований предъявляемых к данным:
* '''Однородность''' требует, чтобы все кластеризуемые сущности были одной природы, описывались сходным набором характеристик. Если кластерному анализу предшествует [[факторный анализ]], то выборка не нуждается в «ремонте» — изложенные требования выполняются автоматически самой процедурой факторного моделирования (есть ещё одно достоинство — z-стандартизация без негативных последствий для выборки; если её проводить непосредственно для кластерного анализа, она может повлечь за собой уменьшение чёткости разделения групп). В противном случае выборку нужно корректировать.
* '''Полнота'''.

== Цели ==
* '''Понимание данных''' путём выявления кластерной структуры. Разбиение выборки на группы схожих объектов позволяет упростить дальнейшую обработку данных и принятия решений, применяя к каждому кластеру свой метод анализа (стратегия «разделяй и властвуй»).
* '''Сжатие данных'''. Если исходная выборка избыточно большая, то можно сократить её, оставив по одному наиболее типичному представителю от каждого кластера.
* '''Обнаружение новизны''' (англ. novelty detection). Выделяются нетипичные объекты, которые не удаётся присоединить ни к одному из кластеров.

== Задачи ==
Кластерный анализ выполняет следующие основные задачи:
* Разработка типологии или [[классы и отношения|классификации]].
* Исследование полезных концептуальных схем группирования объектов.
* Порождение гипотез на основе исследования данных.
* Проверка гипотез или исследования для определения, действительно ли типы (группы), выделенные тем или иным способом, присутствуют в имеющихся данных.

== Этапы ==
Независимо от предмета изучения применение кластерного анализа предполагает следующие этапы:
* Отбор выборки для кластеризации. Подразумевается, что имеет смысл кластеризовать только количественные данные.
* Определение множества переменных, по которым будут оцениваться объекты в выборке, то есть признакового пространства.
* Вычисление значений той или иной меры сходства (или различия) между объектами.
* Применение метода кластерного анализа для создания групп сходных объектов.
* Проверка достоверности результатов кластерного решения.

== Методы ==
Общепринятой классификации методов кластеризации не существует, но можно выделить ряд групп подходов (некоторые методы можно отнести сразу к нескольким группам и потому предлагается рассматривать данную типизацию как некоторое приближение к реальной классификации методов кластеризации):
# '''Вероятностный подход'''. Предполагается, что каждый рассматриваемый объект относится к одному из k классов. Некоторые авторы (например, А. И. Орлов) считают, что данная группа вовсе не относится к кластеризации и противопоставляют её под названием «дискриминация», то есть выбор отнесения объектов к одной из известных групп (обучающих выборок).
#* K-средних (K-means)
#* K-medians
#* EM-алгоритм
#* Алгоритмы семейства FOREL
#* Дискриминантный анализ
# '''Подходы на основе систем искусственного интеллекта''': методов очень много и методически они весьма различны.
#* Метод нечеткой кластеризации C-средних (C-means)
#* [[Нейронная сеть]] Кохонена
#* Генетический алгоритм
# '''Логический подход'''. Построение дендрограммы осуществляется с помощью дерева решений.
# '''Теоретико-графовый подход'''.
#* Графовые алгоритмы кластеризации
# '''Иерархический подход'''. Предполагается наличие вложенных групп (кластеров различного порядка). Алгоритмы в свою очередь подразделяются на агломеративные (объединительные) и дивизивные (разделяющие). По количеству признаков иногда выделяют монотетические и политетические методы классификации.
#* Иерархическая дивизивная кластеризация или таксономия. Задачи кластеризации рассматриваются в количественной таксономии.
# Другие методы. Не вошедшие в предыдущие группы.
#* Статистические алгоритмы кластеризации
#* Ансамбль кластеризаторов
#* Алгоритмы семейства KRAB
#* Алгоритм, основанный на методе просеивания
#* DBSCAN и др.

[[Категория:Искусственный интеллект]]
[[Категория:Методы]]

@@ Строка 1: / Строка 1: @@
 '''Кластерный анализ''' (англ. cluster analysis) — многомерная статистическая процедура, выполняющая сбор данных, содержащих информацию о выборке объектов, и затем упорядочивающая объекты в сравнительно однородные группы. Задача кластеризации относится к статистической обработке, а также к широкому классу задач [[машинное обучение|обучения без учителя]].
-[[Файл:cluster-analysis-example.jpg|center]]
+[[Файл:cluster-analysis-example.png|center]]
 == Требования к данным ==

← Предыдущая		Версия 09:53, 20 декабря 2016
Строка 1:		Строка 1:
	'''Кластерный анализ''' (англ. cluster analysis) — многомерная статистическая процедура, выполняющая сбор данных, содержащих информацию о выборке объектов, и затем упорядочивающая объекты в сравнительно однородные группы. Задача кластеризации относится к статистической обработке, а также к широкому классу задач [[машинное обучение\|обучения без учителя]].		'''Кластерный анализ''' (англ. cluster analysis) — многомерная статистическая процедура, выполняющая сбор данных, содержащих информацию о выборке объектов, и затем упорядочивающая объекты в сравнительно однородные группы. Задача кластеризации относится к статистической обработке, а также к широкому классу задач [[машинное обучение\|обучения без учителя]].
		+
		+	[[Файл:cluster-analysis-example.jpg\|center]]

	== Требования к данным ==		== Требования к данным ==

@@ Строка 15: / Строка 15: @@
 == Задачи ==
 Кластерный анализ выполняет следующие основные задачи:
-* Разработка типологии или [[классы и отношения|классификации]].
+* Разработка типологии или [[класс|классификации]].
 * Исследование полезных концептуальных схем группирования объектов.
 * Порождение гипотез на основе исследования данных.

@@ Строка 31: / Строка 31: @@
 Общепринятой классификации методов кластеризации не существует, но можно выделить ряд групп подходов (некоторые методы можно отнести сразу к нескольким группам и потому предлагается рассматривать данную типизацию как некоторое приближение к реальной классификации методов кластеризации):
 # '''Вероятностный подход'''. Предполагается, что каждый рассматриваемый объект относится к одному из k классов. Некоторые авторы (например, А. И. Орлов) считают, что данная группа вовсе не относится к кластеризации и противопоставляют её под названием «дискриминация», то есть выбор отнесения объектов к одной из известных групп (обучающих выборок).
-#* K-средних (K-means)
+#* K-средних (K-means);
-#* K-medians
+#* K-medians;
-#* EM-алгоритм
+#* EM-алгоритм;
-#* Алгоритмы семейства FOREL
+#* Алгоритмы семейства FOREL;
-#* Дискриминантный анализ
+#* Дискриминантный анализ.
 # '''Подходы на основе систем искусственного интеллекта''': методов очень много и методически они весьма различны.
-#* Метод нечеткой кластеризации C-средних (C-means)
+#* Метод нечеткой кластеризации C-средних (C-means);
-#* [[Нейронная сеть]] Кохонена
+#* [[Нейронная сеть]] Кохонена;
-#* Генетический алгоритм
+#* [[Эволюционные алгоритмы|Генетический алгоритм]].
 # '''Логический подход'''. Построение дендрограммы осуществляется с помощью дерева решений.
 # '''Теоретико-графовый подход'''.
-#* Графовые алгоритмы кластеризации
+#* Графовые алгоритмы кластеризации.
 # '''Иерархический подход'''. Предполагается наличие вложенных групп (кластеров различного порядка). Алгоритмы в свою очередь подразделяются на агломеративные (объединительные) и дивизивные (разделяющие). По количеству признаков иногда выделяют монотетические и политетические методы классификации.
 #* Иерархическая дивизивная кластеризация или таксономия. Задачи кластеризации рассматриваются в количественной таксономии.
 # Другие методы. Не вошедшие в предыдущие группы.
-#* Статистические алгоритмы кластеризации
+#* Статистические алгоритмы кластеризации;
-#* Ансамбль кластеризаторов
+#* Ансамбль кластеризаторов;
-#* Алгоритмы семейства KRAB
+#* Алгоритмы семейства KRAB;
-#* Алгоритм, основанный на методе просеивания
+#* Алгоритм, основанный на методе просеивания;
 #* DBSCAN и др.
 [[Категория:Искусственный интеллект]]
 [[Категория:Методы]]