การจัดกลุ่มและการจำแนกประเภท: ความแตกต่างระหว่างการจัดกลุ่มและการจำแนกประเภท

บทนำ

อัลกอริธึมการเรียนรู้ของเครื่องโดยทั่วไปจะจัดหมวดหมู่ตามประเภทของตัวแปรเอาต์พุตและประเภทของปัญหาที่ต้องแก้ไข อัลกอริธึมเหล่านี้แบ่งออกเป็นสามประเภทกว้างๆ ได้แก่ การถดถอย การจัดกลุ่ม และการจัดประเภท การถดถอยและการจัดประเภทเป็นประเภทของอัลกอริธึมการเรียนรู้ภายใต้การดูแล ในขณะที่การทำคลัสเตอร์เป็นประเภทของอัลกอริธึมที่ไม่มีผู้ดูแล

เมื่อตัวแปรเอาท์พุตเป็นแบบต่อเนื่อง ก็จะเป็นปัญหาการถดถอย ในขณะที่เมื่อมีค่าที่ไม่ต่อเนื่อง ก็จะเป็นปัญหาการจำแนกประเภท โดยทั่วไปแล้วอัลกอริธึมการทำคลัสเตอร์จะใช้เมื่อเราต้องการสร้างคลัสเตอร์ตามลักษณะของจุดข้อมูล บทความนี้เน้นที่การแนะนำสั้น ๆ เกี่ยวกับการจัดกลุ่ม การจำแนกประเภท และรายการความแตกต่างระหว่างทั้งสอง

การจำแนกประเภท

การจัดประเภทเป็นประเภทของอัลกอริธึมการเรียนรู้ของเครื่องภายใต้การดูแล สำหรับอินพุตที่กำหนด อัลกอริธึมการจำแนกประเภทจะช่วยในการทำนายคลาสของตัวแปรเอาต์พุต การจำแนกประเภทสามารถมีได้หลายประเภท เช่น การจำแนกไบนารี การจำแนกหลายคลาส ฯลฯ ขึ้นอยู่กับจำนวนของคลาสในตัวแปรเอาต์พุต

ประเภทของอัลกอริธึมการจำแนกประเภท

Logistic Regression : – เป็นหนึ่งในตัวแบบเชิงเส้นที่สามารถใช้ในการจำแนกประเภทได้ ใช้ฟังก์ชัน sigmoid เพื่อคำนวณความน่าจะเป็นของเหตุการณ์ที่เกิดขึ้น เป็นวิธีที่เหมาะสำหรับการจำแนกตัวแปรไบนารี

K-Nearest Neighbors (kNN) : – ใช้ตัววัดระยะทาง เช่น ระยะทางแบบยุคลิด ระยะทางแมนฮัตตัน เป็นต้น เพื่อคำนวณระยะทางของจุดข้อมูลหนึ่งจุดจากจุดข้อมูลอื่นทุกจุด ในการจำแนกผลลัพธ์ จะใช้คะแนนเสียงข้างมากจากเพื่อนบ้านที่ใกล้ที่สุด k แห่งแต่ละจุดข้อมูล

ต้นไม้แห่งการตัดสินใจ : – เป็นโมเดลที่ไม่เป็นเชิงเส้นที่เอาชนะข้อเสียบางประการของอัลกอริธึมเชิงเส้น เช่น การถดถอยโลจิสติก มันสร้างแบบจำลองการจัดประเภทในรูปแบบของโครงสร้างต้นไม้ที่มีโหนดและใบไม้ อัลกอริธึมนี้เกี่ยวข้องกับคำสั่ง if-else หลายชุด ซึ่งช่วยในการแยกโครงสร้างออกเป็นโครงสร้างที่เล็กลงและให้ผลลัพธ์สุดท้ายในที่สุด สามารถใช้สำหรับการถดถอยเช่นเดียวกับปัญหาการจำแนกประเภท

Random Forest : – เป็นวิธีการเรียนรู้แบบกลุ่มที่เกี่ยวข้องกับแผนภูมิการตัดสินใจหลายแบบเพื่อทำนายผลลัพธ์ของตัวแปรเป้าหมาย ต้นไม้การตัดสินใจแต่ละต้นให้ผลลัพธ์ของตัวเอง ในกรณีของปัญหาการจำแนกประเภท ต้องใช้คะแนนเสียงข้างมากของแผนผังการตัดสินใจหลายชุดเพื่อจัดประเภทผลลัพธ์สุดท้าย ในกรณีของปัญหาการถดถอย จะใช้ค่าเฉลี่ยของค่าที่ทำนายโดยแผนผังการตัดสินใจ

Naive Bayes : – เป็นอัลกอริทึมที่อิงตามทฤษฎีบทของ Bayes จะถือว่าคุณลักษณะเฉพาะใดๆ เป็นอิสระจากการรวมคุณลักษณะอื่นๆ กล่าวคือไม่มีความสัมพันธ์กัน โดยทั่วไปจะไม่ทำงานได้ดีกับข้อมูลที่ซับซ้อนเนื่องจากสมมติฐานนี้ เนื่องจากชุดข้อมูลส่วนใหญ่มีความสัมพันธ์บางอย่างระหว่างคุณลักษณะ

รองรับ Vector Machine : – แสดงถึงจุดข้อมูลในพื้นที่หลายมิติ จากนั้นจุดข้อมูลเหล่านี้จะถูกแยกออกเป็นคลาสต่างๆ โดยใช้ไฮเปอร์เพลน มันวางแผนพื้นที่ n มิติสำหรับจำนวนคุณลักษณะ n ในชุดข้อมูล จากนั้นพยายามสร้างไฮเปอร์เพลนเพื่อแบ่งจุดข้อมูลด้วยระยะขอบสูงสุด

อ่าน: ตัวอย่างทั่วไปของการทำเหมืองข้อมูล

แอปพลิเคชั่น

• การตรวจจับสแปมอีเมล
• การจดจำใบหน้า.
• ระบุว่าลูกค้าจะปั่นหรือไม่
• การอนุมัติสินเชื่อธนาคาร

การจัดกลุ่ม

การจัดกลุ่มเป็นประเภทของอัลกอริทึมการเรียนรู้ของเครื่องที่ไม่ได้รับการดูแล ใช้เพื่อจัดกลุ่มจุดข้อมูลที่มีลักษณะเหมือนคลัสเตอร์ ตามหลักการแล้ว จุดข้อมูลในคลัสเตอร์เดียวกันควรแสดงคุณสมบัติที่คล้ายคลึงกัน และจุดในคลัสเตอร์ที่ต่างกันควรมีความแตกต่างกันมากที่สุด

การทำคลัสเตอร์แบ่งออกเป็นสองกลุ่ม - การทำคลัสเตอร์แบบฮาร์ดและการทำคลัสเตอร์แบบซอฟต์ ในการฮาร์ดคลัสเตอร์ จุดข้อมูลถูกกำหนดให้กับคลัสเตอร์หนึ่งเท่านั้น ในขณะที่การทำคลัสเตอร์แบบซอฟต์ จุดข้อมูลจะมีความเป็นไปได้ที่จุดข้อมูลจะอยู่ในแต่ละคลัสเตอร์

ประเภทของอัลกอริธึมคลัสเตอร์

K-Means Clustering : – เริ่มต้นจำนวนที่กำหนดไว้ล่วงหน้าของกลุ่ม k และใช้การวัดระยะทางเพื่อคำนวณระยะทางของแต่ละจุดข้อมูลจากจุดศูนย์กลางของแต่ละคลัสเตอร์ มันกำหนดจุดข้อมูลให้เป็นหนึ่งในกลุ่ม k ตามระยะทาง

Agglomerative Hierarchical Clustering (Bottom-Up Approach) : – พิจารณาแต่ละจุดข้อมูลเป็นคลัสเตอร์และรวมจุดข้อมูลเหล่านี้โดยพิจารณาจากการวัดระยะทางและเกณฑ์ที่ใช้สำหรับเชื่อมโยงคลัสเตอร์เหล่านี้

การแบ่งกลุ่มแบบลำดับชั้นแบบแบ่งกลุ่ม (วิธีจากบนลงล่าง) : – เริ่มต้นด้วยจุดข้อมูลทั้งหมดเป็นคลัสเตอร์เดียวและแยกจุดข้อมูลเหล่านี้ตามเกณฑ์การวัดระยะทางและเกณฑ์ การรวมกลุ่มและการแบ่งกลุ่มสามารถแสดงเป็น dendrogram และจำนวนคลัสเตอร์ที่จะเลือกได้โดยการอ้างถึงสิ่งเดียวกัน

DBSCAN (การจัดคลัสเตอร์เชิงพื้นที่ของแอปพลิเคชันที่มีเสียงรบกวนตามความหนาแน่น) : – เป็นวิธีการจัดกลุ่มตามความหนาแน่น อัลกอริธึมเช่น K-Means ทำงานได้ดีกับคลัสเตอร์ที่แยกจากกันอย่างเป็นธรรม และสร้างคลัสเตอร์ที่มีรูปร่างเป็นทรงกลม DBSCAN จะใช้เมื่อข้อมูลอยู่ในรูปแบบที่กำหนดเองและมีความไวต่อค่าผิดปกติน้อยกว่าด้วย จัดกลุ่มจุดข้อมูลที่มีจุดข้อมูลใกล้เคียงจำนวนมากภายในรัศมีที่กำหนด

OPTICS (จุดสั่งซื้อเพื่อระบุโครงสร้างคลัสเตอร์) : – เป็นวิธีการจัดกลุ่มตามความหนาแน่นอีกประเภทหนึ่ง และมีความคล้ายคลึงในกระบวนการกับ DBSCAN ยกเว้นว่าจะพิจารณาพารามิเตอร์เพิ่มเติมสองสามตัว แต่มันซับซ้อนในการคำนวณมากกว่า DBSCAN นอกจากนี้ มันไม่ได้แยกจุดข้อมูลออกเป็นคลัสเตอร์ แต่สร้างพล็อตความสามารถในการเข้าถึง ซึ่งสามารถช่วยในการตีความการสร้างคลัสเตอร์

BIRCH (การลดและจัดกลุ่มซ้ำแบบสมดุลโดยใช้ลำดับชั้น) : – สร้างคลัสเตอร์โดยการสร้างสรุปข้อมูล ทำงานได้ดีกับชุดข้อมูลขนาดใหญ่เนื่องจากจะสรุปข้อมูลก่อนแล้วจึงใช้ชุดเดียวกันนี้เพื่อสร้างคลัสเตอร์ อย่างไรก็ตาม สามารถจัดการกับแอตทริบิวต์ตัวเลขที่แสดงในช่องว่างเท่านั้น

อ่านเพิ่มเติม: อัลกอริทึมการขุดข้อมูลที่คุณควรทราบ

แอปพลิเคชั่น

• การแบ่งส่วนฐานผู้บริโภคในตลาด
• วิเคราะห์โซเชียลเน็ตเวิร์ก.
• การแบ่งส่วนรูปภาพ
• ระบบแนะนำ.

ความแตกต่างระหว่างการจัดกลุ่มและการจำแนกประเภท

1. ประเภท : – การจัดกลุ่มเป็นวิธีการเรียนรู้แบบไม่มีผู้ดูแล ในขณะที่การจัดประเภทเป็นวิธีการเรียนรู้แบบมีผู้ดูแล
2. กระบวนการ : – ในการจัดกลุ่ม จุดข้อมูลจะถูกจัดกลุ่มเป็นกลุ่มตามความคล้ายคลึงกัน การจัดประเภทเกี่ยวข้องกับการจัดประเภทข้อมูลที่ป้อนเข้าเป็นหนึ่งในป้ายชื่อคลาสจากตัวแปรผลลัพธ์
3. การ ทำนาย : – การจำแนกประเภทเกี่ยวข้องกับการทำนายของตัวแปรอินพุตตามการสร้างแบบจำลอง โดยทั่วไป การจัดกลุ่มจะใช้ในการวิเคราะห์ข้อมูลและทำการอนุมานจากข้อมูลนั้นเพื่อการตัดสินใจที่ดีขึ้น
4. การแยกข้อมูล : – อัลกอริทึมการจำแนกประเภทต้องการข้อมูลที่จะแยกออกเป็นข้อมูลการฝึกอบรมและทดสอบสำหรับการทำนายและประเมินแบบจำลอง อัลกอริทึมการจัดกลุ่มไม่จำเป็นต้องมีการแยกข้อมูลเพื่อใช้งาน
5. Data Label : – อัลกอริทึมการจำแนกประเภทจัดการกับข้อมูลที่ติดป้ายกำกับในขณะที่อัลกอริทึมการจัดกลุ่มจัดการกับข้อมูลที่ไม่มีป้ายกำกับ
6. ขั้นตอน : – กระบวนการจำแนกประกอบด้วยสองขั้นตอน – การฝึกอบรมและการทดสอบ กระบวนการจัดกลุ่มเกี่ยวข้องกับการจัดกลุ่มข้อมูลเท่านั้น
7. ความซับซ้อน : – เนื่องจากการจำแนกประเภทเกี่ยวข้องกับขั้นตอนจำนวนมาก ความซับซ้อนของอัลกอริธึมการจำแนกประเภทจะสูงกว่าอัลกอริธึมการจัดกลุ่มที่มีจุดมุ่งหมายเพื่อจัดกลุ่มข้อมูลเท่านั้น

บทสรุป

วิธีการจัดประเภทและการจัดกลุ่มจะแตกต่างกัน และผลลัพธ์ที่คาดหวังจากอัลกอริทึมก็แตกต่างกันเช่นกัน โดยสรุป ทั้งการจำแนกประเภทและการจัดกลุ่มใช้เพื่อจัดการกับปัญหาที่แตกต่างกัน บทความนี้เป็นข้อมูลเบื้องต้นเกี่ยวกับการจัดประเภทและการจัดกลุ่ม

นอกจากนี้เรายังอ่านเกี่ยวกับอัลกอริทึมประเภทต่างๆ ที่ใช้ในแต่ละกรณีพร้อมกับแอปพลิเคชันบางส่วนอีกด้วย อัลกอริทึมที่แสดงในบทความนี้ไม่ครบถ้วนสมบูรณ์ คือไม่ใช่รายการที่สมบูรณ์และมีอัลกอริธึมอื่น ๆ อีกมากมายที่สามารถใช้เพื่อจัดการกับปัญหาดังกล่าว

หากคุณอยากรู้ที่จะเรียนรู้วิทยาศาสตร์ข้อมูล ลองดู PG Diploma in Data Science ซึ่งสร้างขึ้นสำหรับมืออาชีพด้านการทำงานและเสนอกรณีศึกษาและโครงการมากกว่า 10 รายการ, เวิร์กช็อปภาคปฏิบัติ, การให้คำปรึกษากับผู้เชี่ยวชาญในอุตสาหกรรม, ตัวต่อตัวกับอุตสาหกรรม ที่ปรึกษา การเรียนรู้และความช่วยเหลือมากกว่า 400 ชั่วโมงกับบริษัทชั้นนำ