Содержание
- 2. Лекція 7.Методи Кластеризації Інтелектуальний аналіз даних © ЄА. Лавров, 2015-2019 /100
- 3. Лекція 7.Методи Кластеризації Зміст лекції: 1.Кластеризація. Основні Поняття 2 Міри Відстаней 3.Классифікація Методів Кластерного Аналізу 4.Ієрархічні
- 4. 1.Кластеризація. Основні поняття Інтелектуальний аналіз даних © ЄА. Лавров, 2015-2019 /100
- 5. 1.Кластеризація. Основні поняття Термін кластерний аналіз, вперше введений Тріоном ((Tryon) ) в 1939 році, включає в
- 6. 1.Кластеризація. Основні поняття Кластеризація (або кластерний аналіз) - це задача розбиття множини об'єктів на групи, які
- 7. 1.Кластеризація. Основні поняття Відмінність від класифікації Відповіді НЕВІДОМІ Немає чіткої міри якості рішень Задачі поставлені вкрай
- 8. 1.Кластеризація. Основні поняття Технологія кластерного аналізу Інтелектуальний аналіз даних © ЄА. Лавров, 2015-2019 /100
- 9. 1.Кластеризація. Основні поняття Застосування кластерного аналізу в загальному вигляді зводиться до наступних етапів: 1. Відбір вибірки
- 10. 1.Кластеризація. Основні поняття Інтелектуальний аналіз даних © ЄА. Лавров, 2015-2019 /100 Розглянемо приклад процедури кластерного аналізу.
- 11. 1.Кластеризація. Основні поняття Інтелектуальний аналіз даних © ЄА. Лавров, 2015-2019 /100 Завдання на сам. роботу Y
- 12. 1.Кластеризація. Основні поняття Критерієм для визначення схожості та відмінності кластерів є відстань між точками на діаграмі
- 13. 1.Кластеризація. Основні поняття Кластер має характеристики: центр, радіус, середньоквадратичне відхилення, розмір кластера. Центр кластера - це
- 14. 1.Кластеризація. Основні поняття Спірний об'єкт - це об'єкт, який у міру подібності може бути віднесений до
- 15. 1.Кластеризація. Основні поняття Робота кластерного аналізу спирається на два припущення. Перше припущення - що розглядаються ознаки
- 16. 1.Кластеризація. Основні поняття Вибір масштабу в кластерному аналізі має велике значення. Приклад. Уявімо собі, що дані
- 17. 2. Міри відстаней Інтелектуальний аналіз даних © ЄА. Лавров, 2015-2019 /100
- 18. 2 Міри відстаней Отже, як же визначати «схожість» об'єктів? Для початку потрібно скласти вектор характеристик для
- 19. 2 Міри відстаней Для кожної пари об'єктів вимірюється «відстань» між ними - ступінь схожості. Існує безліч
- 20. 2 Міри відстаней 3.Відстань міських кварталів (Манхеттенська відстань) Це відстань є середнім різниць по координатах. У
- 21. 2 Міри відстаней 5. Ступенева відстань Застосовується в разі, коли необхідно збільшити або зменшити вагу, що
- 22. 2 Міри відстаней Вибір метрики повністю лежить на дослідникові, результати кластеризації можуть істотно відрізнятися при використанні
- 23. 3.Классифікація методів кластерного аналізу Інтелектуальний аналіз даних © ЄА. Лавров, 2015-2019 /100
- 24. 3.Классифікація методів кластерного аналізу Існує безліч підходів і ознак класифікації алгоритмів кластеризації. Розглянемо лише деякі з
- 25. 3.Классифікація методів кластерного аналізу За ознакою 1. Ієрархічні плоскі. Ієрархічні алгоритми (так звані алгоритми таксономії) будують
- 26. 3.Классифікація методів кластерного аналізу За ознакою 2. 1.Чіткі 2. Нечіткі. 1.Чіткі ( такі, що неперетитаються) алгоритми
- 27. 3.Классифікація методів кластерного аналізу один з варіантів Інтелектуальний аналіз даних © ЄА. Лавров, 2015-2019 /100
- 28. 3.Классифікація методів кластерного аналізу один з варіантів Інтелектуальний аналіз даних © ЄА. Лавров, 2015-2019 /100
- 29. 4.Ієрархічні методи кластерного аналізу Інтелектуальний аналіз даних © ЄА. Лавров, 2015-2019 /100
- 30. 4.Ієрархічні методи кластерного аналізу Суть ієрархічної кластеризації в послідовному об'єднанні менших кластерів в великі або поділі
- 31. 4.Ієрархічні методи кластерного аналізу 1. Ієрархічні агломеративні методи (Agglomerative Nesting, AGNES) Ця група методів характеризується послідовним
- 32. 4.Ієрархічні методи кластерного аналізу 2. Ієрархічні дивізімні (подільні) методи (DIvisive ANAlysis, DIANA) є логічною протилежністю агломеративним
- 33. 4.Ієрархічні методи кластерного аналізу Принцип роботи описаних вище груп методів у вигляді дендрограмми Дендрограма агломеративного і
- 34. 4.Ієрархічні методи кластерного аналізу Ієрархічні методи кластеризації розрізняються правилами побудови кластерів. Як правила виступають критерії, які
- 35. 4.Ієрархічні методи кластерного аналізу Ієрархічні алгоритми пов'язані з побудовою дендрограмм (від грецького dendron - "дерево"), які
- 36. 4.Ієрархічні методи кластерного аналізу Дендрограму також називають деревовидною схемою, деревом об'єднання кластерів, деревом ієрархічної структури. Дендрограмма
- 37. 4.Ієрархічні методи кластерного аналізу Методи об'єднання або зв'язку Коли кожен об'єкт являє собою окремий кластер, відстані
- 38. 4.Ієрархічні методи кластерного аналізу Методи об'єднання або зв'язку Метод найближчого сусіда або одиночного зв'язку. Відстань між
- 39. 4.Ієрархічні методи кластерного аналізу Методи об'єднання або зв'язку. 2. Метод найбільш віддалених сусідів або повний зв'язок.
- 40. 4.Ієрархічні методи кластерного аналізу Методи об'єднання або зв'язку. 3. Метод Варда (Ward's method). Як відстань між
- 41. 4.Ієрархічні методи кластерного аналізу Методи об'єднання або зв'язку. 4. Метод невиваженого попарного середнього (unweighted pair-group method
- 42. 4.Ієрархічні методи кластерного аналізу Методи об'єднання або зв'язку 5.Метод зваженого попарного середнього (weighted pair-group method using
- 43. 4.Ієрархічні методи кластерного аналізу Методи об'єднання або зв'язку 6. Незважений центроїдний метод (метод невиваженого попарного центроїдного
- 44. 4.Ієрархічні методи кластерного аналізу Методи об'єднання або зв'язку 7.Зважений центроїдний метод (метод зваженого попарного центроїдного усереднення
- 45. 4.Ієрархічні методи кластерного аналізу Побудова в Матлаб http://matlab.exponenta.ru/statist/book2/14/linkage.php Інтелектуальний аналіз даних © ЄА. Лавров, 2015-2019 /100
- 46. 5.Ітеративні методи кластерного аналізу Інтелектуальний аналіз даних © ЄА. Лавров, 2015-2019 /100
- 47. 5.Ітеративні методи кластерного аналізу При великій кількості спостережень ієрархічні методи кластерного аналізу не придатні. У таких
- 48. 5.Ітеративні методи кластерного аналізу Неієрархічна кластеризація полягає в поділі набору даних на певну кількість окремих кластерів.
- 49. 5.Ітеративні методи кластерного аналізу 1.Алгоритм k-середніх (k-means) Найбільш поширений серед неієрархічних методів (також званий швидким кластерним
- 50. 5.Ітеративні методи кластерного аналізу 1.Алгоритм k-середніх (k-means) будує k кластерів, розташованих на можливо великих відстанях один
- 51. 5.Ітеративні методи кластерного аналізу 1.Алгоритм k-середніх (k-means) опис алгоритму 1. Початковий розподіл об'єктів по кластерам. Вибирається
- 52. 5.Ітеративні методи кластерного аналізу 1.Алгоритм k-середніх (k-means) опис алгоритму 2. Ітеративний процес. обчислюються центри кластерів, якими
- 53. 4.Ієрархічні методи кластерного аналізу . Інтелектуальний аналіз даних © ЄА. Лавров, 2015-2019 /100
- 54. 5.Ітеративні методи кластерного аналізу 1.Алгоритм k-середніх (k-means) . Приклад роботи алгоритму k-середніх (k = 2) Інтелектуальний
- 55. 5.Ітеративні методи кластерного аналізу 1.Алгоритм k-середніх (k-means) опис алгоритму Вибір числа кластерів є складним питанням. Якщо
- 56. 5.Ітеративні методи кластерного аналізу 1.Алгоритм k-середніх (k-means) Перевірка якості кластеризації Після отримань результатів кластерного аналізу методом
- 57. 5.Ітеративні методи кластерного аналізу 1.Алгоритм k-середніх (k-means) Опис функції kmeans в Mallab http://matlab.exponenta.ru/statist/book2/14/kmeans.php Інтелектуальний аналіз даних
- 58. 5.Ітеративні методи кластерного аналізу 2.Алгоритм PAM (partitioning around Medoids) PAM є модифікацією алгоритму k-середніх, алгоритмом k-медіани
- 59. 5.Ітеративні методи кластерного аналізу 3.Алгоритми родини FOREL FOREL (Формальний Елемент) — оснований основанный на идеї об’
- 60. 5.Ітеративні методи кластеризації 4Алгоритм HCM (Hard C – Means). Інтелектуальний аналіз даних © ЄА. Лавров, 2015-2019
- 61. 6. нечітка кластеризація Інтелектуальний аналіз даних © ЄА. Лавров, 2015-2019 /100
- 62. 6.нечітка кластеризація Чітка (непересічна) кластеризація - кластеризація, яка кожен об’єкт відносить тільки одного кластеру. Нечітка кластеризація
- 63. 6.нечітка кластеризація 1. Алгоритм Fuzzy C-means. – Базовий Призначення: кластеризація великих наборів числових даних. Переваги: нечіткість
- 64. 6.нечітка кластеризація в Маtlab функція findcluster для метода нечітких с-середних (FCM ) метода субтрактивної кластеризации (subtractive
- 65. 7.Деякі Функції Кластер-аналізу У Середовищі Matlab Інтелектуальний аналіз даних © ЄА. Лавров, 2015-2019 /100
- 66. 7.Деякі Функції Кластер-аналізу У Середовищі Matlab Модуль Fuzzy Logic Toolbox пакету MATLAB містить функції для виділення
- 67. 7.Деякі Функції Кластер-аналізу У Середовищі Matlab [C] = SUBCLUST (X, RADII) кластеризує точки даних SxN матриці
- 68. 7.Деякі Функції Кластер-аналізу У Середовищі Matlab [C] = SUBCLUST (..., XBOUNDS) також визначає матрицю XBOUNDS, розміром
- 69. 7.Деякі Функції Кластер-аналізу У Середовищі Matlab [C] = SUBCLUST(...,OPTIONS) визначає вектор для зміни значень за замовчуванням
- 70. 7.Деякі Функції Кластер-аналізу У Середовищі Matlab Приклад використання subclust. X1 = 10*rand(50,1); X2 = 5*rand(50,1); X3
- 71. 7.Деякі Функції Кластер-аналізу У Середовищі Matlab Функція fcm здійснює нечітку кластеризацію на основі методу нечітких с-середніх
- 72. 7.Деякі Функції Кластер-аналізу У Середовищі Matlab Функція fcm здійснює нечітку кластеризацію на основі методу нечітких с-середніх
- 73. 7.Деякі Функції Кластер-аналізу У Середовищі Matlab Інтелектуальний аналіз даних © ЄА. Лавров, 2015-2019 /100 Приклад використання
- 74. 7.Деякі Функції Кластер-аналізу У Середовищі Matlab Інтелектуальний аналіз даних © ЄА. Лавров, 2015-2019 /100 Приклад використання
- 75. 7.Деякі Функції Кластер-аналізу У Середовищі Matlab Інтелектуальний аналіз даних © ЄА. Лавров, 2015-2019 /100 Приклад використання
- 76. 8.Нейронні мережі для Кластер-аналізу Інтелектуальний аналіз даних © ЄА. Лавров, 2015-2019 /100
- 78. Скачать презентацию