Tipos de agrupamento no treinamento de aprendizado de máquina Ppt

Slide 1

Este slide lista que há uma variedade de técnicas de Clustering disponíveis. A seguir estão as abordagens de clustering mais comuns usadas no aprendizado de máquina: clustering de particionamento, clustering baseado em densidade, clustering baseado em modelo de distribuição, clustering hierárquico e clustering difuso.

Slide 2

Este slide mostra que os dados são divididos em grupos não hierárquicos no Partitioning Clustering ou na técnica Centroid-Based. A técnica K-Means Clustering é um exemplo bem conhecido. O conjunto de dados é particionado em K grupos, onde K denota o número de grupos predefinidos. O centro do cluster é projetado de forma que a distância entre os pontos de dados de um cluster e o centróide de outro cluster seja a menor possível.

Slide 3

Este slide afirma que a abordagem de clustering baseada em densidade une áreas densas para formar clusters, e distribuições arbitrárias são geradas desde que a região densa possa ser vinculada. O programa consegue isso detectando clusters distintos no conjunto de dados e conectando áreas de alta densidade em clusters.

Notas do instrutor: Se o conjunto de dados tiver alta densidade e múltiplas dimensões, esses algoritmos podem ter dificuldade para agrupar os pontos de dados.

Slide 4

Este slide explica que a abordagem de agrupamento baseada em modelo de distribuição divide os dados com base na chance de um conjunto de dados corresponder a uma distribuição específica. O agrupamento é realizado assumindo distribuições específicas, principalmente a distribuição gaussiana.

Notas do instrutor: O método Clustering de maximização de expectativas, que emprega modelos de mistura gaussiana, é um exemplo desse tipo (GMM) de clustering.

Slide 5

Este slide mostra que, como alternativa ao clustering particionado, o clustering hierárquico pode ser usado, pois não há necessidade de listar o número de clusters a serem formados. O conjunto de dados é separado em clusters para formar uma estrutura semelhante a uma árvore conhecida como dendrograma.

Slide 6

Este slide afirma que Fuzzy Clustering é uma técnica suave na qual um objeto de dados pode ser atribuído a mais de um grupo chamado clusters. Cada conjunto de dados tem uma coleção de coeficientes de pertinência proporcional ao grau de pertinência de um cluster.