Arten von Clustering in der Schulung zum maschinellen Lernen Ppt

Folie 1

Auf dieser Folie wird aufgeführt, dass verschiedene Clustering-Techniken verfügbar sind. Im Folgenden sind die am häufigsten beim maschinellen Lernen verwendeten Clustering-Ansätze aufgeführt: Partitionierungs-Clustering, dichtebasiertes Clustering, verteilungsmodellbasiertes Clustering, hierarchisches Clustering und Fuzzy-Clustering.

Folie 2

Diese Folie zeigt, dass die Daten mithilfe der Partitioning-Clustering- oder Centroid-basierten Technik in nicht-hierarchische Gruppen unterteilt werden. Die K-Means-Clustering-Technik ist ein bekanntes Beispiel. Der Datensatz ist in K Gruppen unterteilt, wobei K die Anzahl der vordefinierten Gruppen angibt. Das Clusterzentrum ist so gestaltet, dass der Abstand zwischen den Datenpunkten eines Clusters und dem Schwerpunkt eines anderen Clusters möglichst gering ist.

Folie 3

Auf dieser Folie heißt es, dass der dichtebasierte Clustering-Ansatz dichte Bereiche zu Clustern zusammenfügt und beliebig geformte Verteilungen generiert, solange der dichte Bereich verknüpft werden kann. Das Programm erreicht dies, indem es unterschiedliche Cluster im Datensatz erkennt und Gebiete mit hoher Dichte zu Clustern verbindet.

Hinweise für Kursleiter: Wenn der Datensatz eine hohe Dichte und mehrere Dimensionen aufweist, kann es für diese Algorithmen schwierig sein, die Datenpunkte zu gruppieren.

Folie 4

Auf dieser Folie wird erklärt, dass der verteilungsmodellbasierte Clustering-Ansatz Daten basierend auf der Wahrscheinlichkeit unterteilt, dass ein Datensatz einer bestimmten Verteilung entspricht. Die Gruppierung erfolgt durch die Annahme spezifischer Verteilungen, insbesondere der Gaußschen Verteilung.

Hinweise für Kursleiter: Die Expectation-Maximization-Clustering-Methode, die Gaußsche Mischungsmodelle verwendet, ist ein Beispiel für diese Art (GMM) des Clusterings.

Folie 5

Diese Folie zeigt, dass als Alternative zum partitionierten Clustering hierarchisches Clustering verwendet werden kann, da keine Angabe der Anzahl der zu bildenden Cluster erforderlich ist. Der Datensatz wird in Cluster unterteilt, um eine baumartige Struktur zu bilden, die als Dendrogramm bezeichnet wird.

Folie 6

Auf dieser Folie heißt es, dass es sich beim Fuzzy-Clustering um eine sanfte Technik handelt, bei der ein Datenobjekt mehr als einer Gruppe namens Clustern zugeordnet werden kann. Jeder Datensatz verfügt über eine Sammlung von Mitgliedschaftskoeffizienten, die proportional zum Grad der Mitgliedschaft in einem Cluster sind.