Clustering-Algorithmen im Training für maschinelles Lernen Ppt

Folie 1

Auf dieser Folie werden die verschiedenen Arten von Clustering-Algorithmen beim unbeaufsichtigten maschinellen Lernen aufgeführt. Dazu gehören K-Means, Mean-Shift, DBSCAN, Erwartungsmaximierungs-Clustering mit GMM, agglomerativer hierarchischer Algorithmus und Affinitätsausbreitung.

Folie 2

Diese Folie gibt einen Überblick über den K-Means-Clustering-Algorithmus, einen unbeaufsichtigten Ansatz, bei dem die Stichproben in separate Cluster mit gleichen Varianzen unterteilt werden, um die Daten zu klassifizieren.

Folie 3

Auf dieser Folie wird der Mean-Shift-Algorithmus vorgestellt, der versucht, dichte Bereiche innerhalb einer gleichmäßigen Verteilung von Datenpunkten zu lokalisieren. Es handelt sich um ein Beispiel für ein schwerpunktbasiertes Modell, das Kandidaten für den Schwerpunkt so aktualisiert, dass sie der Mittelpunkt von Punkten innerhalb einer bestimmten Region sind.

Folie 4

Auf dieser Folie heißt es, dass der DBSCAN-Algorithmus für Density-Based Spatial Clustering of Applications with Noise steht. Es handelt sich um ein dichtebasiertes Modell, das mit dem Mean-Shift-Modell vergleichbar ist, jedoch einige bemerkenswerte Verbesserungen aufweist. Mit diesem Ansatz werden die Zonen mit hoher Dichte von den Gebieten mit geringer Dichte unterschieden.

Folie 5

Diese Folie zeigt, dass Expectation-Maximization Clustering mithilfe des GMM-Algorithmus als Ersatz für den K-Means-Algorithmus oder in Situationen verwendet werden kann, in denen der K-Means-Algorithmus versagt. Die Datenpunkte in GMM sollen gaußverteilt sein.

Folie 6

Auf dieser Folie wird aufgeführt, dass der agglomerative hierarchische Algorithmus die hierarchische Clusterbildung von unten nach oben durchführt. Jeder Datenpunkt wird zunächst als einzelner Cluster betrachtet und dann bei dieser Methode nach und nach zusammengeführt.

Folie 7

Diese Folie gibt einen Überblick über die Affinitätsausbreitung, die sich von anderen Clustering-Methoden unterscheidet, da keine Angabe der Anzahl der Cluster erforderlich ist. Jeder Datenpunkt übermittelt bis zur Konvergenz eine Nachricht zwischen dem Datenpunktpaar.