K signifie regroupement avec une explication simple pour les débutants

Cet article a été publié dans le cadre du Blogathon sur la science des données.

Vue d'ensemble

devenu, vérité? Nous regroupons les points de données en 3 groupes en fonction de leur similitude ou de leur proximité.

Table des matières

1.Introduction à K signifie

2.K signifie ++ algorithme

3.Comment choisir la valeur K dans K signifie?

4.Considérations pratiques en moyenne K

5.Tendencia de grappeUn cluster est un ensemble d’entreprises et d’organisations interconnectées qui opèrent dans le même secteur ou la même zone géographique, et qui collaborent pour améliorer leur compétitivité. Ces regroupements permettent le partage des ressources, Connaissances et technologies, favoriser l’innovation et la croissance économique. Les grappes peuvent couvrir une variété d’industries, De la technologie à l’agriculture, et sont fondamentaux pour le développement régional et la création d’emplois....

1. introduction

Comprenons simplement le regroupement des K-means avec des exemples de la vie quotidienne. nous savons que de nos jours, tout le monde aime regarder des séries Web ou des films sur Amazon Prime, Netflix. Avez-vous déjà observé quelque chose à chaque fois que vous ouvrez Netflix? c'est-à-dire, films de groupe en fonction de leur genre, c'est-à-dire, la criminalité, suspendu, etc., J'espère que vous l'avez observé ou que vous le connaissez déjà. le regroupement par genre Netflix est donc un exemple de regroupement facile à comprendre. comprenons plus sur k signifie algorithme de clustering.

Définition: Regrouper les points de données en fonction de leur similitude ou de leur proximité les uns avec les autres, en termes simples, l'algorithme doit trouver les points de données dont les valeurs sont similaires les unes aux autres et, donc, ces points appartiendraient au même groupe.

Ensuite, Comment l'algorithme trouve-t-il les valeurs entre deux points pour les regrouper? El algoritmo encuentra los valores usando el método de ‘Medida de distancia’. aquí la medida de la distancia es ‘Distance euclidienne’

Les observations les plus proches ou similaires les unes aux autres auraient une faible distance euclidienne et seraient ensuite regroupées.

una fórmula más que necesita saber para entender los medios de K es ‘Centroide’. El algoritmo de k-medias usa el concepto de centroide para crear ‘k grupos’.

Alors maintenant, vous êtes prêt à comprendre les étapes de l'algorithme de clustering k-means.

Étapes dans K-means:

paso 1: choisissez la valeur k pour ex: k = 2

paso 2: initialiser au hasard les centroïdes

Paso 3: calculer la distance euclidienne des centroïdes à chaque point de données et former des groupes proches des centroïdes

paso 4: trouver le centroïde de chaque groupe et mettre à jour les centroïdes

paso: 5 répéter l'étape 3

Chaque fois que des groupes sont constitués, mise à jour des centroïdes, le centre de gravité mis à jour est le centre de tous les points qui tombent dans le groupe. Ce processus se poursuit jusqu'à ce que le centroïde ne change plus., c'est-à-dire, la solution converge.

Vous pouvez jouer avec l'algorithme K-means en utilisant le lien ci-dessous, essayez-le.

https://stanford.edu/class/engr108/visualizations/kmeans/kmeans.html

Ensuite, suivant? Comment choisissez-vous les centroïdes initiaux au hasard?

Voici le concept de l'algorithme k-Means ++.

2. Algoritmo K-Means ++:

Je ne vais pas te stresser pour ça, alors ne t'inquiète pas. C'est très facile à comprendre. Ensuite, Qu'est-ce que k-signifie ++ ??? Disons que nous voulons choisir deux centroïdes initialement (k = 2), vous pouvez choisir un centroïde au hasard ou vous pouvez choisir l'un des points de données au hasard. Simple vérité? Notre prochaine tâche consiste à choisir un autre centroïde, Comment le choisissez-vous? une idée?

Nous choisissons le prochain centroïde des points de données qui est à une grande distance du centroïde existant ou celui qui est à une grande distance d'un groupe existant qui a une forte probabilité de capture.

3.Comment choisir la valeur K dans les K-moyennes:

1.Méthode du coude

Pas:

Paso 1: calculer l'algorithme de clustering pour différentes valeurs de k.

par exemple k =[1,2,3,4,5,6,7,8,9,10]

paso 2: pour chaque k, calculer la somme des carrés dans le cluster (WCSS).

Paso 3: tracer la courbe WCSS en fonction du nombre de clusters.

Paso 4: L'emplacement de la courbe sur la parcelle est généralement considéré comme un indicateur du nombre approximatif de grappes.

Considérations pratiques sur les K-means:

• Un certain nombre de clusters choisis à l'avance (K).
• Normalisation des données (escaladé).
• Données catégorielles (peut être résolu avec le mode K).
• Impact des centroïdes et des valeurs aberrantes initiales.

5. Tendance des clusters:

Avant d'appliquer un algorithme de clustering aux données données, il est important de vérifier si les données fournies ont des clusters significatifs ou non. El proceso para evaluar los datos para verificar si los datos son factibles para la agrupación o no se conoce como ‘Tendencia de agrupación’, il ne faut donc pas appliquer aveuglément la méthode de regroupement et vérifier la tendance de regroupement. Comment?

Usamos la ‘Estadística de Hopkins’ pour savoir s'il faut effectuer le clustering ou non pour un jeu de données donné. Examiner si les points de données diffèrent de manière significative des données uniformément réparties dans l'espace multidimensionnel.

Con esto concluye nuestro artículo sobre el algoritmo de regroupementLe "regroupement" Il s’agit d’un concept qui fait référence à l’organisation d’éléments ou d’individus en groupes ayant des caractéristiques ou des objectifs communs. Ce procédé est utilisé dans diverses disciplines, y compris la psychologie, Éducation et biologie, faciliter l’analyse et la compréhension de comportements ou de phénomènes. Dans le domaine de l’éducation, par exemple, Le regroupement peut améliorer l’interaction et l’apprentissage entre les élèves en encourageant le travail.. de k-means. Dans mon prochain article, Je parlerai de l'implémentation Python de l'algorithme de clustering K-means.

Merci!

En rapport