الگوریتم های خوشه بندی داده ها چیست؟

سلام! من به عنوان یک تأمین کننده داده ، اغلب در مورد الگوریتم های خوشه بندی داده ها سؤال می کنم. بنابراین ، من فکر کردم که می خواهم یک پست وبلاگ بنویسم تا توضیح دهم که آنها چه هستند ، چگونه کار می کنند و چرا مهم هستند.

الگوریتم های خوشه بندی داده ها چیست؟

الگوریتم های خوشه بندی داده ها نوعی از تکنیک یادگیری دستگاه بدون نظارت است. به زبان ساده ، آنها نقاط داده مشابه را با هم به خوشه ها گروه می کنند. این الگوریتم ها داده ها را بدون هیچ برچسب از پیش تعریف شده تجزیه و تحلیل می کنند. به جای اینکه گفته شود هر نقطه داده چه چیزی را نشان می دهد ، الگوریتم مشخص می کند که نقاط داده بر اساس ویژگی های آنها یکسان است.

بیایید بگوییم که شما یک تجارت الکترونیکی را اداره می کنید ، و مجموعه ای از اطلاعات مشتری را در اختیار دارید. این مجموعه داده ممکن است شامل مواردی مانند سن ، تاریخ خرید و مکان باشد. یک الگوریتم خوشه بندی می تواند مشتریان را با عادات خرید مشابه و جمعیت شناسی در خوشه های مختلف گروه بندی کند. این می تواند به شما در هدف قرار دادن کمپین های خاص بازاریابی در هر گروه کمک کند.

چگونه کار می کنند؟

چندین نوع مختلف از الگوریتم های خوشه بندی داده وجود دارد ، اما من به برخی از رایج ترین آنها می پردازم.

k - به معنای خوشه بندی

k - معنی یکی از خوب ترین الگوریتم های خوشه بندی شناخته شده است. با انتخاب تصادفی نقاط "K" در فضای داده شروع می شود ، جایی که "K" تعداد خوشه هایی است که می خواهید ایجاد کنید. این نقاط Centroids نامیده می شوند.

الگوریتم سپس هر نقطه داده را به نزدیکترین Centroid اختصاص می دهد. پس از تعیین تمام نقاط داده ، سانتروئیدها به عنوان میانگین تمام نقاط داده در هر خوشه محاسبه می شوند. این فرآیند تا زمانی که سانتروئیدها به طور قابل توجهی حرکت کنند ، تکرار می شود ، به این معنی که خوشه ها پایدار هستند.

به عنوان مثال ، اگر از K استفاده می کنید - به معنای خوشه بندی انواع مختلف میوه ها بر اساس اندازه و وزن آنها ، ابتدا تعدادی خوشه را انتخاب می کنید (مثلاً 3 برای میوه های کوچک ، متوسط ​​و بزرگ). الگوریتم سپس میوه های اطراف این سانتروئیدهای اولیه را گروه بندی کرده و آنها را تنظیم می کند تا بهترین خوشه های مناسب باشد.

خوشه بندی سلسله مراتبی

خوشه بندی سلسله مراتبی سلسله مراتبی از خوشه ها را ایجاد می کند. دو رویکرد اصلی وجود دارد: آگلومراتیو و تفرقه افکنانه.

خوشه بندی سلسله مراتبی آگلومراتیو با درمان هر نقطه داده به عنوان خوشه خاص خود شروع می شود. سپس ، بارها و بارها دو خوشه مشابه را ادغام می کند تا اینکه تمام نقاط داده در یک خوشه واحد قرار بگیرند. نتیجه یک درخت است - مانند ساختاری به نام دندروگرام ، که روابط بین خوشه ها را در سطوح مختلف نشان می دهد.

خوشه بندی سلسله مراتبی تفرقه آور از راه دیگر کار می کند. این کار با تمام نقاط داده در یک خوشه بزرگ شروع می شود و سپس آن را به خوشه های کوچکتر و کوچکتر تقسیم می کند تا اینکه هر نقطه داده در خوشه خود باشد.

این نوع خوشه بندی بسیار عالی است وقتی که شما از قبل تعداد خوشه ها را نمی دانید. می توانید به دندروگرام نگاه کنید و تصمیم بگیرید که از کجا آن را برش دهید تا تعداد خوشه های مورد نظر را بدست آورید.

DBSCAN (خوشه بندی مکانی مبتنی بر چگالی - برنامه های کاربردی با سر و صدا)

DBSCAN یک الگوریتم مبتنی بر چگالی است. این نقاط داده را بر اساس چگالی آنها گروه بندی می کند. نقاطی که به هم نزدیک هستند و به اندازه کافی امتیاز همسایه دارند ، یک خوشه تشکیل می دهند. نقاطی که دور از هر منطقه متراکم نیست ، سر و صدا در نظر گرفته می شود.

این الگوریتم دارای دو پارامتر اصلی است: "EPS" (حداکثر فاصله بین دو نقطه برای آنها در همان محله در نظر گرفته می شود) و Minpts (حداقل تعداد امتیاز مورد نیاز برای تشکیل یک منطقه متراکم).

بیایید بگوییم که شما در حال تجزیه و تحلیل داده های جرم در یک شهر هستید. DBSCAN می تواند مناطقی با چگالی جرم و جنایت بالا را به عنوان خوشه و حوادث جرم مجرد و جدا شده به عنوان سر و صدا شناسایی کند.

چرا مهم هستند؟

الگوریتم های خوشه بندی داده ها دارای طیف گسترده ای از برنامه ها در صنایع مختلف هستند.

بازاریابی

همانطور که قبلاً نیز اشاره کردم ، خوشه بندی می تواند به مشاغل کمک کند تا مشتریان خود را تقسیم کنند. با درک گروه های مختلف مشتری ، شرکت ها می توانند استراتژی های بازاریابی شخصی تری ایجاد کنند. به عنوان مثال ، یک برند مد بالا ممکن است مشتریان را در خوشه ای از درآمد بالا - درآمد ، مد - افراد آگاه با پیشنهادات اختصاصی هدف قرار دهد.

مراقبت های بهداشتی

در مراقبت های بهداشتی ، از خوشه بندی می توان برای گروه بندی بیماران با تاریخچه پزشکی مشابه ، علائم یا پروفایل های ژنتیکی استفاده کرد. این می تواند به پزشکان کمک کند تا الگوهای بیماری ها را شناسایی کرده و برنامه های درمانی مؤثرتری را تهیه کنند.

پردازش تصویر

الگوریتم های خوشه بندی نیز در پردازش تصویر استفاده می شود. آنها می توانند پیکسل ها را در یک تصویر بر اساس رنگ یا شدت خود گروه بندی کنند. این می تواند برای کارهایی مانند تقسیم تصویر مفید باشد ، جایی که می خواهید اشیاء مختلف را در یک تصویر جدا کنید.

داده ها و ابزارهای ما

ما به عنوان یک تهیه کننده داده ، ما مجموعه داده های با کیفیت بالا را ارائه می دهیم که برای آزمایش و اجرای الگوریتم های خوشه بندی مناسب هستند. ما همچنین به برخی از ابزارهای عالی دسترسی داریم. به عنوان مثال ،DSA72004B Tektronix آنالایزر سریال دیجیتال ، 20 گیگاهرتز ، 50 گرم در ثانیه ، 4 CH.وسیله ای قدرتمند است که می تواند به شما در تجزیه و تحلیل و پردازش داده ها برای خوشه بندی کمک کند. این قابلیت دستیابی و تجزیه و تحلیل داده های با سرعت بالا را ارائه می دهد ، که برای دستیابی به مجموعه داده های بزرگ ضروری است.

گزینه عالی دیگر این استDSA72004 Tektronix آنالایزر سریال دیجیتال ، 20 گیگاهرتز ، 50 گرم در ثانیه ، 4 CH.بشر این آنالایزر داده های دقیق و قابل اعتماد را ارائه می دهد ، که برای بدست آوردن نتایج دقیق خوشه بندی بسیار مهم است.

و اگر به یک راه حل پیشرفته تر نیاز دارید ،آنالایزر سریال دیجیتال DSA8300 Tektronixانتخاب برتر است. این ویژگی دارای ویژگی های پیشرفته ای است که می تواند وظایف پیچیده تجزیه و تحلیل داده ها را انجام دهد ، و آن را برای تجزیه و تحلیل خوشه بندی در عمق ایده آل می کند.

برای نیازهای خوشه بندی خود با ما تماس بگیرید

اگر علاقه مند به استفاده از الگوریتم های خوشه بندی داده برای تجارت یا تحقیق خود هستید ، ما برای کمک به شما اینجا هستیم. این که آیا شما به داده های با کیفیت بالا احتیاج دارید ، مشاوره ای در مورد کدام الگوریتم برای استفاده یا کمک به تنظیم تجزیه و تحلیل ، ما شما را تحت پوشش قرار داده ایم. برای شروع بحث در مورد نیازهای خاص خود به ما مراجعه کنید. ما می توانیم با هم کار کنیم تا بهترین راه حل ها را برای پروژه های خوشه بندی داده های شما پیدا کنیم.

منابع

• Han ، J. ، Kamber ، M. ، & Pei ، J. (2011). داده کاوی: مفاهیم و تکنیک ها. مورگان کافمن.
• اسقف ، CM (2006). تشخیص الگوی و یادگیری ماشین. اسپرینگر