Types de clustering dans Machine Learning Training Ppt

Diapositive 1

Cette diapositive indique qu'il existe une variété de techniques de clustering disponibles. Voici les approches de clustering les plus couramment utilisées dans l'apprentissage automatique : clustering de partitionnement, clustering basé sur la densité, clustering basé sur le modèle de distribution, clustering hiérarchique et clustering flou.

Diapositive 2

Cette diapositive illustre que les données sont divisées en groupes non hiérarchiques dans la technique de clustering de partitionnement ou basée sur le centroïde. La technique K-Means Clustering en est un exemple bien connu. L'ensemble de données est divisé en K groupes, où K désigne le nombre de groupes prédéfinis. Le centre du cluster est conçu de manière à ce que la distance entre les points de données d'un cluster et le centroïde d'un autre cluster soit la plus petite possible.

Diapositive 3

Cette diapositive indique que l'approche de clustering basée sur la densité joint les zones denses pour former des clusters, et des distributions de forme arbitraire sont générées tant que la région dense peut être liée. Le programme accomplit cela en détectant des clusters distincts dans l'ensemble de données et en connectant les zones à haute densité en clusters.

Notes de l'instructeur : si l'ensemble de données a une densité élevée et plusieurs dimensions, ces algorithmes peuvent avoir du mal à regrouper les points de données.

Diapositive 4

Cette diapositive explique que l'approche de clustering basée sur le modèle de distribution divise les données en fonction de la probabilité qu'un ensemble de données corresponde à une distribution spécifique. Le regroupement est accompli en supposant des distributions spécifiques, notamment la distribution gaussienne.

Notes de l'instructeur : La méthode de regroupement Attente-Maximisation, qui utilise des modèles de mélange gaussien, est un exemple de ce type (GMM) de regroupement.

Diapositive 5

Cette diapositive montre qu'en tant qu'alternative au clustering partitionné, le clustering hiérarchique peut être utilisé car il n'est pas nécessaire de répertorier le nombre de clusters à former. L'ensemble de données est séparé en grappes pour former une structure arborescente connue sous le nom de dendrogramme.

Diapositive 6

Cette diapositive indique que le clustering flou est une technique souple dans laquelle un objet de données peut être affecté à plusieurs groupes appelés clusters. Chaque ensemble de données possède une collection de coefficients d'appartenance proportionnels au degré d'appartenance d'un cluster.