Clustering vs Clasificare: Diferența dintre Clustering și Clasificare

Introducere

Algoritmii de învățare automată sunt, în general, clasificați în funcție de tipul de variabilă de ieșire și de tipul de problemă care trebuie abordată. Acești algoritmi sunt împărțiți în trei tipuri, adică regresie, grupare și clasificare. Regresia și clasificarea sunt tipuri de algoritmi de învățare supravegheată, în timp ce Clusteringul este un tip de algoritm nesupravegheat.

Când variabila de ieșire este continuă, atunci este o problemă de regresie, în timp ce atunci când conține valori discrete, este o problemă de clasificare. Algoritmii de grupare sunt utilizați în general atunci când trebuie să creăm clustere pe baza caracteristicilor punctelor de date. Acest articol se concentrează pe oferirea unei scurte introduceri în gruparea, clasificarea și enumerarea unor diferențe între cele două.

Clasificare

Clasificarea este un tip de algoritm de învățare automată supravegheat. Pentru orice intrare dată, algoritmii de clasificare ajută la predicția clasei variabilei de ieșire. Pot exista mai multe tipuri de clasificări, cum ar fi clasificarea binară, clasificarea cu mai multe clase, etc. Depinde de numărul de clase din variabila de ieșire.

Tipuri de algoritmi de clasificare

Regresia logistică : – Este unul dintre modelele liniare care poate fi folosit pentru clasificare. Utilizează funcția sigmoidă pentru a calcula probabilitatea ca un anumit eveniment să apară. Este o metodă ideală pentru clasificarea variabilelor binare.

K-Nearest Neighbors (kNN) : – Folosește metrici de distanță, cum ar fi distanța euclidiană, distanța Manhattan, etc. pentru a calcula distanța unui punct de date față de fiecare alt punct de date. Pentru a clasifica rezultatul, este nevoie de un vot majoritar de la k vecini cei mai apropiați ai fiecărui punct de date.

Arbori de decizie : – Este un model neliniar care depășește câteva dintre dezavantajele algoritmilor liniari, cum ar fi regresia logistică. Construiește modelul de clasificare sub forma unei structuri arborescente care include noduri și frunze. Acest algoritm implică mai multe declarații if-else care ajută la descompunerea structurii în structuri mai mici și în cele din urmă la furnizarea rezultatului final. Poate fi folosit pentru regresie, precum și pentru probleme de clasificare.

Random Forest : – Este o metodă de învățare prin ansamblu care implică mai mulți arbori de decizie pentru a prezice rezultatul variabilei țintă. Fiecare arbore de decizie oferă propriul său rezultat. În cazul problemei de clasificare, este nevoie de votul majorității acestor arbori de decizie multiple pentru a clasifica rezultatul final. În cazul problemei de regresie, se ia media valorilor prezise de arborii de decizie.

Naive Bayes : – Este un algoritm care se bazează pe teorema lui Bayes. Se presupune că orice caracteristică particulară este independentă de includerea altor caracteristici. adică nu sunt corelate între ele. În general, nu funcționează bine cu date complexe din cauza acestei ipoteze, deoarece în majoritatea seturilor de date există un fel de relație între caracteristici.

Support Vector Machine : – Reprezintă punctele de date din spațiul multidimensional. Aceste puncte de date sunt apoi separate în clase cu ajutorul hiperplanurilor. Acesta trasează un spațiu n-dimensional pentru numărul n de caracteristici din setul de date și apoi încearcă să creeze hiperplanuri astfel încât să împartă punctele de date cu o marjă maximă.

Citiți: Exemple comune de data mining.

Aplicații

• Detectarea spam-ului prin e-mail.
• Recunoastere faciala.
• Identificarea dacă clientul va renunța sau nu.
• Aprobarea împrumutului bancar.

Clustering

Clusteringul este un tip de algoritm de învățare automată nesupravegheat. Este folosit pentru a grupa puncte de date care au caracteristici similare cu clusterele. În mod ideal, punctele de date din același cluster ar trebui să prezinte proprietăți similare, iar punctele din grupuri diferite ar trebui să fie cât mai diferite posibil.

Clusteringul este împărțit în două grupe – clustering hard și clustering soft. În clustering hard, punctul de date este atribuit doar unuia dintre clustere, în timp ce în clustering soft, oferă o probabilitate probabilă ca un punct de date să fie în fiecare dintre clustere.

Tipuri de algoritmi de clusterizare

K-Means Clustering : – Inițializează un număr predefinit de k clustere și utilizează metrica distanței pentru a calcula distanța fiecărui punct de date față de centroidul fiecărui cluster. Acesta atribuie punctele de date într-unul dintre cele k clustere pe baza distanței sale.

Clustering ierarhic aglomerativ (abordare de jos în sus) : – Consideră fiecare punct de date ca un cluster și îmbină aceste puncte de date pe baza metricii distanței și a criteriului care este utilizat pentru legarea acestor clustere.

Clustering ierarhic diviziv (abordare de sus în jos) : – Se inițializează cu toate punctele de date ca un singur grup și împarte aceste puncte de date pe baza metricii distanței și a criteriului. Aglomerarea aglomerativă și divisiva poate fi reprezentată ca o dendrogramă și numărul de clustere care urmează să fie selectat prin referire la acestea.

DBSCAN (Density-based Spatial Clustering of Applications with Noise) : – Este o metodă de grupare bazată pe densitate. Algoritmii precum K-Means funcționează bine pe clusterele care sunt destul de separate și creează clustere care au formă sferică. DBSCAN este utilizat atunci când datele sunt în formă arbitrară și este, de asemenea, mai puțin sensibil la valori aberante. Acesta grupează punctele de date care au multe puncte de date învecinate într-o anumită rază.

OPTICS (Ordering Points to Identify Clustering Structure) : – Este un alt tip de metodă de grupare bazată pe densitate și este similar în proces cu DBSCAN, cu excepția faptului că ia în considerare câțiva parametri. Dar este mai complex din punct de vedere computațional decât DBSCAN. De asemenea, nu separă punctele de date în clustere, dar creează o diagramă de accesibilitate care poate ajuta la interpretarea creării clusterelor.

BIRCH (Balanced Iterative Reducing and Clustering using Hierarchies) : – Creează clustere prin generarea unui rezumat al datelor. Funcționează bine cu seturi de date uriașe, deoarece mai întâi rezumă datele și apoi le folosește pentru a crea clustere. Cu toate acestea, se poate ocupa doar de atribute numerice care pot fi reprezentate în spațiu.

Citiți și: Algoritmi de extragere a datelor pe care ar trebui să-i cunoașteți

Aplicații

• Segmentarea bazei de consumatori pe piață.
• Analiza rețelei sociale.
• Segmentarea imaginii.
• Sisteme de recomandare.

Diferența dintre grupare și clasificare

1. Tip : – Clustering este o metodă de învățare nesupravegheată, în timp ce clasificarea este o metodă de învățare supravegheată.
2. Proces : – În grupare, punctele de date sunt grupate ca clustere pe baza asemănărilor lor. Clasificarea implică clasificarea datelor de intrare ca una dintre etichetele de clasă din variabila de ieșire.
3. Predicție : – Clasificarea implică predicția variabilei de intrare pe baza construirii modelului. Clustering-ul este, în general, utilizat pentru a analiza datele și a trage concluzii din acestea pentru o mai bună luare a deciziilor.
4. Împărțirea datelor : – Algoritmii de clasificare au nevoie ca datele să fie împărțite ca date de antrenament și de testare pentru prezicerea și evaluarea modelului. Algoritmii de grupare nu au nevoie de împărțirea datelor pentru utilizarea lor.
5. Eticheta datelor : – Algoritmii de clasificare se ocupă de date etichetate, în timp ce algoritmii de grupare se ocupă de date neetichetate.
6. Etape : – Procesul de clasificare presupune două etape – Instruire și testare. Procesul de grupare implică doar gruparea datelor.
7. Complexitate : – Deoarece clasificarea se ocupă cu un număr mai mare de etape, complexitatea algoritmilor de clasificare este mai mare decât a algoritmilor de grupare al căror scop este doar gruparea datelor.

Concluzie

Metodologia clasificării și grupării este diferită, iar rezultatul așteptat de la algoritmii lor diferă, de asemenea. Pe scurt, atât clasificarea, cât și gruparea sunt folosite pentru a aborda diferite probleme. Acest articol a oferit o scurtă introducere în clasificare și grupare.

De asemenea, citim puțin despre diferitele tipuri de algoritmi utilizați în fiecare caz împreună cu câteva aplicații. Algoritmii enumerați în acest articol nu sunt exhaustivi. adică nu este o listă completă și există mulți alți algoritmi care pot fi utilizați pentru a rezolva astfel de probleme.

Dacă sunteți curios să învățați știința datelor, consultați Diploma noastră PG în știința datelor, care este creată pentru profesioniști care lucrează și oferă peste 10 studii de caz și proiecte, ateliere practice practice, mentorat cu experți din industrie, 1-la-1 cu industria mentori, peste 400 de ore de învățare și asistență profesională cu firme de top.