Algoritmos de agrupamento no treinamento de aprendizado de máquina Ppt

Slide 1

Este slide lista os diferentes tipos de algoritmos de agrupamento em aprendizado de máquina não supervisionado. Isso inclui K-Means, média-deslocamento, DBSCAN, agrupamento de maximização de expectativa usando GMM, algoritmo hierárquico aglomerativo e propagação de afinidade.

Slide 2

Este slide fornece uma visão geral do algoritmo de clustering K-Means, que é uma abordagem não supervisionada na qual as amostras são divididas em clusters separados com variâncias iguais para classificar os dados.

Slide 3

Este slide apresenta o algoritmo de deslocamento médio, que tenta localizar áreas densas dentro de uma distribuição suave de pontos de dados. É um exemplo de modelo baseado em centroide que atualiza os candidatos a centroide para serem o centro de pontos dentro de uma região especificada.

Slide 4

Este slide afirma que o algoritmo DBSCAN significa agrupamento espacial baseado em densidade de aplicativos com ruído. É um modelo baseado em densidade comparável ao modelo de deslocamento médio, mas com algumas melhorias notáveis. As zonas de alta densidade são distinguidas das áreas de baixa densidade usando esta abordagem.

Slide 5

Este slide mostra que o clustering de maximização de expectativa usando o algoritmo GMM pode ser usado como um substituto para o algoritmo k-means ou em situações em que o algoritmo k-means falha. Os pontos de dados no GMM devem ser distribuídos gaussianamente.

Slide 6

Este slide lista que o algoritmo hierárquico Aglomerativo realiza o agrupamento hierárquico de baixo para cima. Cada ponto de dados é inicialmente considerado como um único cluster e gradualmente mesclado neste método.

Slide 7

Este slide fornece uma visão geral da propagação de afinidade, que é diferente de outros métodos de agrupamento, pois não requer a especificação do número de agrupamentos. Cada ponto de dados entrega uma mensagem entre o par de pontos de dados até a convergência.