Кластеризация против классификации: разница между кластеризацией и классификацией

Введение

Алгоритмы машинного обучения обычно классифицируются в зависимости от типа выходной переменной и типа проблемы, которую необходимо решить. Эти алгоритмы в целом делятся на три типа: регрессия, кластеризация и классификация. Регрессия и классификация — это типы алгоритмов обучения с учителем, а кластеризация — тип алгоритма без учителя.

Когда выходная переменная непрерывна, это проблема регрессии, а когда она содержит дискретные значения, это проблема классификации. Алгоритмы кластеризации обычно используются, когда нам нужно создать кластеры на основе характеристик точек данных. В этой статье основное внимание уделяется краткому введению в кластеризацию, классификации и перечислению некоторых различий между ними.

Классификация

Классификация — это тип контролируемого алгоритма машинного обучения. Для любого заданного входа алгоритмы классификации помогают предсказать класс выходной переменной. Может быть несколько типов классификаций, таких как бинарная классификация, мультиклассовая классификация и т. д. Это зависит от количества классов в выходной переменной.

Типы алгоритмов классификации

Логистическая регрессия : — это одна из линейных моделей, которую можно использовать для классификации. Он использует сигмовидную функцию для расчета вероятности наступления определенного события. Это идеальный метод для классификации бинарных переменных.

K-ближайшие соседи (kNN) : — Он использует показатели расстояния, такие как евклидово расстояние, манхэттенское расстояние и т. д., для расчета расстояния одной точки данных от каждой другой точки данных. Чтобы классифицировать выходные данные, требуется большинство голосов от k ближайших соседей каждой точки данных.

Деревья решений : - Это нелинейная модель, которая преодолевает некоторые недостатки линейных алгоритмов, таких как логистическая регрессия. Он строит классификационную модель в виде древовидной структуры, включающей узлы и листья. Этот алгоритм включает в себя несколько операторов if-else, которые помогают разбить структуру на более мелкие структуры и в конечном итоге предоставить окончательный результат. Его можно использовать как для регрессии, так и для задач классификации.

Случайный лес : это метод ансамблевого обучения, который включает несколько деревьев решений для прогнозирования результата целевой переменной. Каждое дерево решений дает свой собственный результат. В случае проблемы классификации для классификации конечного результата требуется большинство голосов этих множественных деревьев решений. В случае задачи регрессии она принимает среднее значение значений, предсказанных деревьями решений.

Наивный Байес : - Это алгоритм, основанный на теореме Байеса. Предполагается, что любая конкретная функция не зависит от включения других функций. т.е. они не коррелированы друг с другом. Обычно он плохо работает со сложными данными из-за этого предположения, поскольку в большинстве наборов данных существует какая-то связь между функциями.

Машина опорных векторов : представляет точки данных в многомерном пространстве. Затем эти точки данных разделяются на классы с помощью гиперплоскостей. Он строит n-мерное пространство для n объектов в наборе данных, а затем пытается создать гиперплоскости, чтобы разделить точки данных с максимальным запасом.

Читайте: Общие примеры интеллектуального анализа данных.

Приложения

• Обнаружение спама по электронной почте.
• Распознавание лиц.
• Определение, уйдет ли клиент или нет.
• Одобрение банковского кредита.

Кластеризация

Кластеризация — это тип алгоритма неконтролируемого машинного обучения. Он используется для группировки точек данных, имеющих сходные характеристики с кластерами. В идеале точки данных в одном и том же кластере должны иметь схожие свойства, а точки в разных кластерах должны быть как можно более непохожими.

Кластеризация делится на две группы — жесткая кластеризация и мягкая кластеризация. При жесткой кластеризации точка данных назначается только одному из кластеров, тогда как при мягкой кластеризации она обеспечивает вероятность того, что точка данных будет находиться в каждом из кластеров.

Типы алгоритмов кластеризации

Кластеризация по методу K-средних : инициализирует предварительно определенное количество k кластеров и использует метрики расстояния для расчета расстояния каждой точки данных от центра тяжести каждого кластера. Он назначает точки данных в один из k кластеров в зависимости от их расстояния.

Агломеративная иерархическая кластеризация (подход «снизу вверх») : – каждая точка данных рассматривается как кластер и объединяет эти точки данных на основе метрики расстояния и критерия, который используется для связывания этих кластеров.

Разделительная иерархическая кластеризация (подход «сверху вниз») : – Он инициализирует все точки данных как один кластер и разделяет эти точки данных на основе метрики расстояния и критерия. Агломеративную и разделительную кластеризацию можно представить в виде дендрограммы и количества кластеров, которые необходимо выбрать, ссылаясь на нее.

DBSCAN (пространственная кластеризация приложений с шумом на основе плотности) : – это метод кластеризации на основе плотности. Такие алгоритмы, как K-Means, хорошо работают с достаточно разделенными кластерами и создают кластеры сферической формы. DBSCAN используется, когда данные имеют произвольную форму, а также менее чувствителен к выбросам. Он группирует точки данных, которые имеют много соседних точек данных в пределах определенного радиуса.

ОПТИКА (Точки заказа для определения структуры кластеризации) : – Это еще один тип метода кластеризации на основе плотности, по процессу он аналогичен DBSCAN, за исключением того, что он учитывает несколько дополнительных параметров. Но он более сложен в вычислительном отношении, чем DBSCAN. Кроме того, он не разделяет точки данных на кластеры, но создает график достижимости, который может помочь в интерпретации создания кластеров.

BIRCH (сбалансированное итеративное сокращение и кластеризация с использованием иерархий) : — создает кластеры путем создания сводки данных. Он хорошо работает с огромными наборами данных, поскольку сначала суммирует данные, а затем использует их для создания кластеров. Однако он может работать только с числовыми атрибутами, которые могут быть представлены в пространстве.

Читайте также: Алгоритмы интеллектуального анализа данных, которые вы должны знать

Приложения

• Сегментация потребительской базы на рынке.
• Анализ социальной сети.
• Сегментация изображения.
• Рекомендательные системы.

Разница между кластеризацией и классификацией

1. Тип : — Кластеризация — это метод обучения без учителя, тогда как классификация — это метод обучения с учителем.
2. Процесс : – При кластеризации точки данных группируются в кластеры на основе их сходства. Классификация включает в себя классификацию входных данных как одной из меток класса из выходной переменной.
3. Прогноз : — Классификация включает прогнозирование входной переменной на основе построения модели. Кластеризация обычно используется для анализа данных и извлечения из них выводов для принятия более эффективных решений.
4. Разделение данных . Алгоритмы классификации нуждаются в разделении данных в качестве обучающих и тестовых данных для прогнозирования и оценки модели. Алгоритмы кластеризации не требуют разделения данных для своего использования.
5. Метка данных : алгоритмы классификации работают с помеченными данными, тогда как алгоритмы кластеризации работают с немаркированными данными.
6. Этапы : – Процесс классификации включает два этапа – Обучение и Тестирование. Процесс кластеризации включает только группировку данных.
7. Сложность : - Поскольку классификация имеет дело с большим количеством этапов, сложность алгоритмов классификации выше, чем алгоритмов кластеризации, целью которых является только группировка данных.

Заключение

Методология классификации и кластеризации отличается, и результат, ожидаемый от их алгоритмов, также отличается. Короче говоря, и классификация, и кластеризация используются для решения разных задач. В этой статье представлено краткое введение в классификацию и кластеризацию.

Мы также немного читаем о различных типах алгоритмов, используемых в каждом случае, а также о нескольких приложениях. Алгоритмы, перечисленные в этой статье, не являются исчерпывающими. т.е. это не полный список, и существует много других алгоритмов, которые можно использовать для решения таких проблем.

Если вам интересно изучать науку о данных, ознакомьтесь с нашим дипломом PG в области науки о данных, который создан для работающих профессионалов и предлагает более 10 тематических исследований и проектов, практические практические семинары, наставничество с отраслевыми экспертами, 1-на-1 с представителями отрасли. наставники, более 400 часов обучения и помощь в трудоустройстве в ведущих фирмах.