Betydningen af ​​clustering og klassificering i datalogi - dummies

Formålet med clustering og klassifikationsalgoritmer er at give mening og ekstrahere værdi fra store sæt strukturerede og ustrukturerede data. Hvis du arbejder med store mængder ustrukturerede data, er det kun fornuftigt at forsøge at opdele dataene i en slags logiske grupperinger, før du forsøger at analysere det.

Klyngning og klassificering giver dig mulighed for at se et flot blik på dine data, og dernæst danne nogle logiske strukturer ud fra det, du finder der, inden du går dybere ind i møtrikker og bolteanalyser.

I deres enkleste form er klynger sæt datapunkter, der deler lignende egenskaber, og klyngalgoritmer er de metoder, der grupperer disse datapunkter i forskellige klynger baseret på deres ligheder. Du får se klyngningsalgoritmer, der anvendes til sygdomsklassificering inden for medicinsk videnskab, men du vil også se dem bruges til kundeklassificering i markedsundersøgelser og for miljømæssig sundhedsrisikovurdering i miljøteknik.

Der er forskellige klyngemetoder afhængigt af, hvordan du vil have datasættet opdelt. De to hovedtyper af klyngningsalgoritmer er

• Hierarkisk: Algoritmer opretter separate sæt indlejrede klynger, hver på deres eget hierarkiske niveau.

• Partition: Algoritmer skaber kun et enkelt sæt klynger.

Du kan kun bruge hierarkiske klyngningsalgoritmer, hvis du allerede kender adskillelsesafstanden mellem datapunkterne i dit datasæt. Den nærmeste naboalgoritme, der er beskrevet i dette kapitel, tilhører den hierarkiske klasse af klyngalgoritmer.

Du har måske hørt om klassificering og troede, at klassificering er den samme som clustering. Mange mennesker gør det, men det er ikke tilfældet. I klassificering, inden du begynder, kender du allerede antallet af klasser, som dine data skal grupperes i, og du ved allerede, hvilken klasse du vil have, hver datapunkt skal tildeles. I klassificering er dataene i datasættet, der læres fra, mærket.

Når du bruger klyngningsalgoritmer, har du på den anden side ikke et foruddefineret koncept for, hvor mange klynger der passer til dine data, og du afhænger af klyngningsalgoritmerne for at sortere og klynge dataene på den mest hensigtsmæssige måde. Med clusteringsteknikker lærer du fra umærkede data.

For at bedre illustrere karakteren af ​​klassificering, skal du se på Twitter og dets hash-tagging system.Sig, du har lige fået fat på din yndlingsdrink i hele verden: en iset karamel latte fra Starbucks. Du er så glad for at få din drink, at du beslutter dig for at tweet om det med et foto og sætningen "Dette er den bedste latte NOGENSINDE! #StarbucksRocks. "Ja, selvfølgelig inkluderer du" #StarbucksRocks "i din tweet, så tweetet går ind i #StarbucksRocks-strømmen og er klassificeret sammen med alle de andre tweets, der er blevet mærket som #StarbucksRocks. Din brug af hashtag-mærket i din tweet fortalte Twitter, hvordan du klassificerer dine data i en genkendelig og tilgængelig gruppe eller klynge .