Clustering คืออะไรและประเภทต่าง ๆ ของ Clustering Methods

พิจารณาว่าตัวเองกำลังอยู่ในการสนทนากับประธานเจ้าหน้าที่ฝ่ายการตลาดขององค์กรของคุณ องค์กรต้องการทำความเข้าใจลูกค้าให้ดีขึ้นด้วยความช่วยเหลือของข้อมูล เพื่อที่จะสามารถช่วยเป้าหมายทางธุรกิจและมอบประสบการณ์ที่ดีขึ้นให้กับลูกค้า นี่เป็นหนึ่งในสถานการณ์ที่การทำคลัสเตอร์เข้ามาช่วยเหลือ

การทำคลัสเตอร์คืออะไร?

การจัดกลุ่มเป็นวิธีการเรียนรู้แบบไม่มีผู้ดูแลสำหรับการเรียนรู้ของเครื่อง ในวิธีการเรียนรู้แบบไม่มีผู้ดูแล การอนุมานจะดึงมาจากชุดข้อมูลที่ไม่มีตัวแปรเอาต์พุตที่มีป้ายกำกับ เป็นเทคนิคการวิเคราะห์ข้อมูลเชิงสำรวจที่ช่วยให้เราสามารถวิเคราะห์ชุดข้อมูลหลายตัวแปรได้

การทำคลัสเตอร์เป็นงานในการแบ่งชุดข้อมูลออกเป็นคลัสเตอร์จำนวนหนึ่งในลักษณะที่จุดข้อมูลที่เป็นของคลัสเตอร์มีลักษณะที่คล้ายคลึงกัน คลัสเตอร์ไม่ได้เป็นเพียงการจัดกลุ่มของจุดข้อมูลเพื่อให้ระยะห่างระหว่างจุดข้อมูลภายในคลัสเตอร์มีน้อย

กล่าวอีกนัยหนึ่ง คลัสเตอร์คือภูมิภาคที่มีความหนาแน่นของจุดข้อมูลที่คล้ายคลึงกันสูง โดยทั่วไปจะใช้สำหรับการวิเคราะห์ชุดข้อมูล เพื่อค้นหาข้อมูลเชิงลึกระหว่างชุดข้อมูลขนาดใหญ่ และทำการอนุมานจากชุดข้อมูลนั้น โดยทั่วไป กระจุกจะมีลักษณะเป็นทรงกลม แต่ไม่จำเป็น เนื่องจากกระจุกจะมีรูปร่างอะไรก็ได้ เรียนรู้เกี่ยวกับการจัดกลุ่มและแนวคิดเกี่ยวกับวิทยาศาสตร์ข้อมูลเพิ่มเติมในหลักสูตรออนไลน์ด้านวิทยาศาสตร์ข้อมูลของเรา

ขึ้นอยู่กับประเภทของอัลกอริธึมที่เราใช้ซึ่งตัดสินว่าจะสร้างคลัสเตอร์อย่างไร การอนุมานที่จำเป็นต้องดึงออกมาจากชุดข้อมูลนั้นขึ้นอยู่กับผู้ใช้ด้วย เนื่องจากไม่มีเกณฑ์สำหรับการจัดกลุ่มที่ดี

Clustering Method มีกี่ประเภท?

การจัดกลุ่มตัวเองสามารถแบ่งออกเป็นสองประเภท ได้แก่ การทำคลัสเตอร์แบบแข็งและการทำคลัสเตอร์แบบอ่อน ในฮาร์ดคลัสเตอร์ จุดข้อมูลหนึ่งจุดสามารถเป็นของคลัสเตอร์เดียวเท่านั้น แต่ในการทำคลัสเตอร์แบบซอฟต์ ผลลัพธ์ที่ได้คือความน่าจะเป็นของจุดข้อมูลที่เป็นของจำนวนคลัสเตอร์ที่กำหนดไว้ล่วงหน้าแต่ละจำนวน

การทำคลัสเตอร์ตามความหนาแน่น

ในวิธีนี้ คลัสเตอร์จะถูกสร้างขึ้นตามความหนาแน่นของจุดข้อมูลที่แสดงในพื้นที่ข้อมูล ภูมิภาคที่มีความหนาแน่นเนื่องจากจุดข้อมูลจำนวนมากที่อาศัยอยู่ในภูมิภาคนั้นถือเป็นคลัสเตอร์

จุดข้อมูลในพื้นที่เบาบาง (พื้นที่ที่มีจุดข้อมูลน้อยมาก) ถือเป็นสัญญาณรบกวนหรือค่าผิดปกติ กลุ่มที่สร้างขึ้นในวิธีการเหล่านี้สามารถมีรูปร่างโดยพลการ ต่อไปนี้เป็นตัวอย่างของอัลกอริธึมการจัดกลุ่มตามความหนาแน่น:

DBSCAN (การจัดคลัสเตอร์เชิงพื้นที่ของแอปพลิเคชันที่มีสัญญาณรบกวนตามความหนาแน่น)

DBSCAN จัดกลุ่มจุดข้อมูลเข้าด้วยกันตามเมตริกระยะทางและเกณฑ์สำหรับจำนวนจุดข้อมูลขั้นต่ำ ต้องใช้สองพารามิเตอร์ - eps และ จุดต่ำสุด Eps ระบุว่าจุดข้อมูลควรอยู่ใกล้แค่ไหนจึงจะถือว่าเป็นเพื่อนบ้าน เกณฑ์สำหรับคะแนนขั้นต่ำควรทำให้สมบูรณ์เพื่อพิจารณาว่าภูมิภาคนั้นเป็นภูมิภาคที่มีความหนาแน่นสูง

OPTICS (จุดสั่งซื้อเพื่อระบุโครงสร้างคลัสเตอร์)

กระบวนการนี้คล้ายกับ DBSCAN แต่มีข้อบกพร่องประการหนึ่งของอัลกอริธึมเดิม นั่นคือ ไม่สามารถสร้างคลัสเตอร์จากข้อมูลความหนาแน่นตามอำเภอใจได้ โดยจะพิจารณาพารามิเตอร์อีก 2 ตัว ได้แก่ ระยะแกนและระยะที่สามารถเข้าถึงได้ ระยะทางหลักบ่งชี้ว่าจุดข้อมูลที่พิจารณาว่าเป็นแกนหลักหรือไม่โดยการตั้งค่าต่ำสุดสำหรับจุดข้อมูลนั้น

ระยะทางที่เข้าถึงได้คือระยะแกนสูงสุดและค่าของตัววัดระยะทางที่ใช้สำหรับคำนวณระยะทางระหว่างจุดข้อมูลสองจุด สิ่งหนึ่งที่ต้องพิจารณาเกี่ยวกับระยะทางที่สามารถเข้าถึงได้คือ ค่าของมันยังไม่ถูกกำหนด หากจุดข้อมูลจุดใดจุดหนึ่งเป็นจุดหลัก

HDBSCAN (การจัดคลัสเตอร์เชิงพื้นที่ตามความหนาแน่นของแอปพลิเคชันที่มีสัญญาณรบกวน)

HDBSCAN คือวิธีการจัดกลุ่มตามความหนาแน่นที่ขยายวิธีการ DBSCAN โดยแปลงเป็นอัลกอริธึมการทำคลัสเตอร์แบบลำดับชั้น

การจัดกลุ่มแบบลำดับชั้น

กลุ่มคลัสเตอร์ตามลำดับชั้น (Agglomerative หรือเรียกอีกอย่างว่า Bottom-Up Approach) หรือแบ่ง (Divisive หรือเรียกอีกอย่างว่า Top-Down Approach) คลัสเตอร์ตามการวัดระยะทาง ในการจัดกลุ่มแบบ Agglomerative จุดข้อมูลแต่ละจุดจะทำหน้าที่เป็นคลัสเตอร์ในขั้นต้น จากนั้นจึงจัดกลุ่มคลัสเตอร์ทีละรายการ

การแตกแยกเป็นสิ่งที่ตรงกันข้ามกับ Agglomerative โดยเริ่มจากจุดทั้งหมดเป็นคลัสเตอร์เดียวและแบ่งออกเพื่อสร้างคลัสเตอร์เพิ่มเติม อัลกอริธึมเหล่านี้สร้างเมทริกซ์ระยะทางของคลัสเตอร์ที่มีอยู่ทั้งหมด และทำการเชื่อมโยงระหว่างคลัสเตอร์ตามเกณฑ์ของการเชื่อมโยง การจัดกลุ่มของจุดข้อมูลจะถูกแสดงโดยใช้ dendrogram มีการเชื่อมโยงหลายประเภท: –

o Single Linkage : – ใน single linkage ระยะห่างระหว่างสองคลัสเตอร์คือระยะทางที่สั้นที่สุดระหว่างจุดในทั้งสองคลัสเตอร์

o Complete Linkage : – ในการเชื่อมโยงที่สมบูรณ์ ระยะห่างระหว่างสองคลัสเตอร์คือระยะทางที่ไกลที่สุดระหว่างจุดในสองคลัสเตอร์นั้น

o การ เชื่อมโยงเฉลี่ย : – ในการเชื่อมโยงเฉลี่ยระยะห่างระหว่างสองคลัสเตอร์คือระยะทางเฉลี่ยของทุกจุดในคลัสเตอร์ที่มีทุกจุดในคลัสเตอร์อื่น

อ่าน: ตัวอย่างทั่วไปของการทำเหมืองข้อมูล

การจัดกลุ่มคลุมเครือ

ในการจัดกลุ่มแบบคลุมเครือ การกำหนดจุดข้อมูลในคลัสเตอร์ใดๆ จะไม่ชี้ขาด ที่นี่ จุดข้อมูลหนึ่งจุดสามารถอยู่ในคลัสเตอร์ได้มากกว่าหนึ่งคลัสเตอร์ จะให้ผลลัพธ์เป็นความน่าจะเป็นของจุดข้อมูลที่เป็นของแต่ละคลัสเตอร์ หนึ่งในอัลกอริทึมที่ใช้ในการจัดกลุ่มแบบคลุมเครือคือการจัดกลุ่มแบบฟัซซีหมายถึงการจัดกลุ่ม

อัลกอริธึมนี้คล้ายกับกระบวนการจัดกลุ่ม K-Means และแตกต่างกันในพารามิเตอร์ที่เกี่ยวข้องกับการคำนวณ เช่น fuzzifier และค่าสมาชิก

การแบ่งพาร์ติชันคลัสเตอร์

วิธีนี้เป็นหนึ่งในตัวเลือกยอดนิยมสำหรับนักวิเคราะห์ในการสร้างคลัสเตอร์ ในการแบ่งพาร์ติชันคลัสเตอร์ คลัสเตอร์จะถูกแบ่งพาร์ติชันตามลักษณะของจุดข้อมูล เราจำเป็นต้องระบุจำนวนคลัสเตอร์ที่จะสร้างสำหรับวิธีการจัดกลุ่มนี้ อัลกอริธึมการจัดกลุ่มเหล่านี้เป็นไปตามกระบวนการวนซ้ำเพื่อกำหนดจุดข้อมูลใหม่ระหว่างคลัสเตอร์ตามระยะทาง อัลกอริทึมที่อยู่ในหมวดหมู่นี้มีดังนี้: –

o K-Means Clustering: – การจัดกลุ่ม K-Means เป็นหนึ่งในอัลกอริธึมที่ใช้กันอย่างแพร่หลายมากที่สุด มันแบ่งจุดข้อมูลออกเป็น k คลัสเตอร์ตามการวัดระยะทางที่ใช้สำหรับการจัดกลุ่ม ค่าของ 'k' ถูกกำหนดโดยผู้ใช้ ระยะทางคำนวณระหว่างจุดข้อมูลและเซนทรอยด์ของกระจุก

จุดข้อมูลที่ใกล้กับเซนทรอยด์ของคลัสเตอร์มากที่สุดถูกกำหนดให้กับคลัสเตอร์นั้น หลังจากการวนซ้ำ มันจะคำนวณเซนทรอยด์ของคลัสเตอร์เหล่านั้นอีกครั้ง และกระบวนการจะดำเนินต่อไปจนกว่าจำนวนการวนซ้ำที่กำหนดไว้ล่วงหน้าจะเสร็จสิ้น หรือเมื่อเซนทรอยด์ของคลัสเตอร์ไม่เปลี่ยนแปลงหลังจากการวนซ้ำ

เป็นอัลกอริธึมที่มีราคาแพงมากในการคำนวณ เนื่องจากคำนวณระยะทางของจุดข้อมูลทุกจุดด้วยเซนทรอยด์ของคลัสเตอร์ทั้งหมดที่ทำซ้ำแต่ละครั้ง ทำให้ยากต่อการนำชุดข้อมูลขนาดใหญ่ไปใช้ในลักษณะเดียวกัน

PAM (การแบ่งพาร์ติชันรอบ Medoids)

อัลกอริทึมนี้เรียกอีกอย่างว่าอัลกอริทึม k-medoid กระบวนการนี้ยังคล้ายกันกับอัลกอริทึมการจัดกลุ่ม K-mean โดยมีความแตกต่างในการกำหนดศูนย์กลางของคลัสเตอร์ ใน PAM medoid ของคลัสเตอร์จะต้องเป็นจุดข้อมูลอินพุตในขณะที่สิ่งนี้ไม่เป็นความจริงสำหรับการจัดกลุ่ม K-mean เนื่องจากค่าเฉลี่ยของจุดข้อมูลทั้งหมดในคลัสเตอร์อาจไม่ได้อยู่ในจุดข้อมูลอินพุต

o CLARA (Clustering Large Applications) : – CLARA เป็นส่วนขยายของอัลกอริธึม PAM ซึ่งลดเวลาในการคำนวณเพื่อให้ทำงานได้ดีขึ้นสำหรับชุดข้อมูลขนาดใหญ่ เพื่อให้บรรลุสิ่งนี้ จะเลือกส่วนหนึ่งของข้อมูลตามอำเภอใจจากชุดข้อมูลทั้งหมดเพื่อเป็นตัวแทนของข้อมูลจริง ใช้อัลกอริธึม PAM กับตัวอย่างข้อมูลหลายตัวอย่างและเลือกคลัสเตอร์ที่ดีที่สุดจากการทำซ้ำหลายครั้ง

อ่านเพิ่มเติม: อัลกอริทึมการขุดข้อมูลที่คุณควรทราบ

การทำคลัสเตอร์ตามตาราง

ในการจัดกลุ่มตามกริด ชุดข้อมูลจะแสดงเป็นโครงสร้างกริดซึ่งประกอบด้วยกริด (หรือที่เรียกว่าเซลล์) วิธีการโดยรวมในอัลกอริธึมของวิธีนี้แตกต่างจากอัลกอริธึมที่เหลือ

พวกเขาสนใจพื้นที่ค่ารอบจุดข้อมูลมากกว่าจุดข้อมูลเอง ข้อดีอย่างหนึ่งของอัลกอริธึมเหล่านี้คือการลดความซับซ้อนในการคำนวณ สิ่งนี้ทำให้เหมาะสมสำหรับการจัดการกับชุดข้อมูลที่มีขนาดมหึมา

หลังจากแบ่งชุดข้อมูลออกเป็นเซลล์แล้ว จะคำนวณความหนาแน่นของเซลล์ซึ่งช่วยในการระบุคลัสเตอร์ อัลกอริธึมสองสามตัวที่ยึดตามการจัดกลุ่มตามกริดมีดังนี้: –

o STING (แนวทางตารางข้อมูลสถิติ) : – ใน STING ชุดข้อมูลจะถูกแบ่งแบบเรียกซ้ำตามลำดับชั้น แต่ละเซลล์จะถูกแบ่งย่อยเพิ่มเติมเป็นจำนวนเซลล์ที่แตกต่างกัน จะรวบรวมการวัดทางสถิติของเซลล์ซึ่งช่วยในการตอบคำถามในระยะเวลาอันสั้น

o WaveCluster : – ในอัลกอริธึมนี้ พื้นที่ข้อมูลจะแสดงในรูปของเวฟเล็ต พื้นที่ข้อมูลประกอบด้วยสัญญาณ n มิติซึ่งช่วยในการระบุคลัสเตอร์ ส่วนของสัญญาณที่มีความถี่ต่ำและแอมพลิจูดสูงแสดงว่าจุดข้อมูลมีความเข้มข้น ภูมิภาคเหล่านี้ถูกระบุว่าเป็นกลุ่มโดยอัลกอริทึม ส่วนของสัญญาณที่ความถี่สูงแสดงถึงขอบเขตของคลัสเตอร์ สำหรับรายละเอียดเพิ่มเติม โปรดดู เอกสาร นี้

o CLIQUE (การทำคลัสเตอร์ในภารกิจ) : – CLIQUE เป็นการผสมผสานระหว่างอัลกอริธึมการทำคลัสเตอร์แบบอิงความหนาแน่นและแบบกริด มันแบ่งพื้นที่ข้อมูลและระบุช่องว่างย่อยโดยใช้หลักการ Apriori ระบุคลัสเตอร์โดยการคำนวณความหนาแน่นของเซลล์

End Notes

ในบทความนี้ เราได้เห็นภาพรวมของคลัสเตอร์และวิธีการต่างๆ ของการจัดกลุ่มพร้อมกับตัวอย่าง บทความนี้จัดทำขึ้นเพื่อให้บริการคุณในการเริ่มต้นการทำคลัสเตอร์

วิธีการจัดกลุ่มเหล่านี้มีข้อดีและข้อเสียของตัวเองซึ่งจำกัดให้เหมาะสมกับชุดข้อมูลบางชุดเท่านั้น มันไม่ได้เป็นเพียงอัลกอริทึมเท่านั้น แต่ยังมีปัจจัยอื่นๆ อีกมาก เช่น ข้อกำหนดฮาร์ดแวร์ของเครื่อง ความซับซ้อนของอัลกอริทึม ฯลฯ ที่เข้ามาในรูปภาพเมื่อคุณทำการวิเคราะห์ชุดข้อมูล

ในฐานะนักวิเคราะห์ คุณต้องตัดสินใจว่าจะเลือกอัลกอริธึมใดและอัลกอริทึมใดจะให้ผลลัพธ์ที่ดีกว่าในสถานการณ์ที่กำหนด อัลกอริธึมเดียวที่เหมาะกับกลยุทธ์ทั้งหมดไม่สามารถใช้ได้กับปัญหาการเรียนรู้ของเครื่อง ดังนั้น ทำการทดลองต่อไปและทำให้มือของคุณสกปรกในโลกของคลัสเตอร์

หากคุณอยากรู้ที่จะเรียนรู้วิทยาศาสตร์ข้อมูล ลองดู IIIT-B และโปรแกรม Executive PG ของ upGrad ในสาขาวิทยาศาสตร์ข้อมูลซึ่งสร้างขึ้นสำหรับมืออาชีพที่ทำงานและมีกรณีศึกษาและโครงการมากกว่า 10 รายการ การประชุมเชิงปฏิบัติการเชิงปฏิบัติ การให้คำปรึกษากับผู้เชี่ยวชาญในอุตสาหกรรม 1 -on-1 พร้อมที่ปรึกษาในอุตสาหกรรม การเรียนรู้มากกว่า 400 ชั่วโมงและความช่วยเหลือด้านงานกับบริษัทชั้นนำ