Kümeleme ve Sınıflandırma: Kümeleme ve Sınıflandırma Arasındaki Fark

Tanıtım

Makine Öğrenimi algoritmaları genellikle çıktı değişkeninin türüne ve ele alınması gereken sorunun türüne göre kategorilere ayrılır. Bu algoritmalar genel olarak üç türe ayrılır: Regresyon, Kümeleme ve Sınıflandırma. Regresyon ve Sınıflandırma, denetimli öğrenme algoritmalarının türleridir, Kümeleme ise bir denetimsiz algoritma türüdür.

Çıktı değişkeni sürekli olduğunda regresyon problemi, kesikli değerler içerdiğinde ise sınıflandırma problemidir. Kümeleme algoritmaları genellikle veri noktalarının özelliklerine göre kümeler oluşturmamız gerektiğinde kullanılır. Bu makale, kümeleme, sınıflandırmaya kısa bir giriş yapmaya ve ikisi arasındaki bazı farklılıkları listelemeye odaklanmaktadır.

sınıflandırma

Sınıflandırma, bir tür denetimli makine öğrenimi algoritmasıdır. Herhangi bir girdi için, sınıflandırma algoritmaları çıktı değişkeninin sınıfının tahmininde yardımcı olur. İkili sınıflandırma, çok sınıflı sınıflandırma vb. gibi birden çok sınıflandırma türü olabilir. Çıktı değişkenindeki sınıf sayısına bağlıdır.

Sınıflandırma algoritmalarının türleri

Lojistik Regresyon : – Sınıflandırma için kullanılabilecek doğrusal modellerden biridir. Belirli bir olayın meydana gelme olasılığını hesaplamak için sigmoid işlevini kullanır. İkili değişkenlerin sınıflandırılması için ideal bir yöntemdir.

K-En Yakın Komşular (kNN) : – Bir veri noktasının diğer tüm veri noktalarından uzaklığını hesaplamak için Öklid mesafesi, Manhattan mesafesi vb. gibi mesafe ölçümlerini kullanır. Çıktıyı sınıflandırmak için, her veri noktasının en yakın k komşusundan çoğunluk oyu alır.

Karar Ağaçları : – Lojistik regresyon gibi doğrusal algoritmaların birkaç dezavantajının üstesinden gelen doğrusal olmayan bir modeldir. Sınıflandırma modelini, düğümleri ve yaprakları içeren bir ağaç yapısı şeklinde oluşturur. Bu algoritma, yapının daha küçük yapılara bölünmesine ve sonunda nihai sonucun sağlanmasına yardımcı olan birden fazla if-else ifadesi içerir. Sınıflandırma problemlerinin yanı sıra regresyon için de kullanılabilir.

Rastgele Orman : – Hedef değişkenin sonucunu tahmin etmek için birden fazla karar ağacı içeren bir topluluk öğrenme yöntemidir. Her karar ağacı kendi sonucunu sağlar. Sınıflandırma probleminde, nihai sonucu sınıflandırmak için bu çoklu karar ağaçlarının çoğunluk oyu gerekir. Regresyon probleminde karar ağaçlarının tahmin ettiği değerlerin ortalamasını alır.

Naive Bayes : – Bayes teoremine dayalı bir algoritmadır. Herhangi bir belirli özelliğin diğer özelliklerin dahil edilmesinden bağımsız olduğunu varsayar. yani Birbirleriyle ilişkili değiller. Bu varsayım nedeniyle karmaşık verilerle genellikle iyi çalışmaz çünkü veri setlerinin çoğunda özellikler arasında bir tür ilişki vardır.

Destek Vektör Makinesi : – Çok boyutlu uzayda veri noktalarını temsil eder. Bu veri noktaları daha sonra hiper düzlemlerin yardımıyla sınıflara ayrılır. Veri kümesindeki n sayıda özellik için n boyutlu bir alan çizer ve ardından veri noktalarını maksimum marjla bölecek şekilde hiper düzlemler oluşturmaya çalışır.

Okuyun: Yaygın Veri Madenciliği Örnekleri.

Uygulamalar

• E-posta Spam Tespiti.
• Yüz tanıma.
• Müşterinin vazgeçip ayrılmayacağını belirlemek.
• Banka Kredisi Onayı.

kümeleme

Kümeleme, bir tür denetimsiz makine öğrenimi algoritmasıdır. Kümelerle benzer özelliklere sahip veri noktalarını gruplamak için kullanılır. İdeal olarak, aynı kümedeki veri noktaları benzer özellikler sergilemeli ve farklı kümelerdeki noktalar mümkün olduğunca farklı olmalıdır.

Kümeleme, iki gruba ayrılır - sert kümeleme ve yumuşak kümeleme. Sert kümelemede, veri noktası yalnızca kümelerden birine atanırken, yumuşak kümelemede bir veri noktasının kümelerin her birinde olma olasılığını sağlar.

Kümeleme algoritmalarının türleri

K-Means Clustering : – Önceden tanımlanmış sayıda k kümeyi başlatır ve her bir veri noktasının her kümenin merkezinden uzaklığını hesaplamak için mesafe ölçümlerini kullanır. Veri noktalarını mesafesine göre k kümelerinden birine atar.

Aglomeratif Hiyerarşik Kümeleme (Aşağıdan Yukarıya Yaklaşım) : – Her bir veri noktasını bir küme olarak ele alır ve bu veri noktalarını uzaklık ölçütü ve bu kümeleri birbirine bağlamak için kullanılan kriter bazında birleştirir.

Bölücü Hiyerarşik Kümeleme (Yukarıdan Aşağıya Yaklaşım) : – Tüm veri noktaları ile tek bir küme olarak başlar ve bu veri noktalarını mesafe ölçütü ve kriter bazında böler. Aglomeratif ve Divisive kümeleme, bir dendrogram ve buna atıfta bulunularak seçilecek küme sayısı olarak temsil edilebilir.

DBSCAN (Density-based Spatial Clustering of Applications with Noise) : – Yoğunluk tabanlı bir kümeleme yöntemidir. K-Means gibi algoritmalar, oldukça ayrılmış ve küresel şekilli kümeler oluşturan kümeler üzerinde iyi çalışır. DBSCAN, veriler keyfi biçimde olduğunda kullanılır ve ayrıca aykırı değerlere karşı daha az duyarlıdır. Belirli bir yarıçap içinde birçok komşu veri noktasına sahip veri noktalarını gruplandırır.

OPTICS (Kümeleme Yapısını Tanımlamak için Sipariş Noktaları) : – Yoğunluk tabanlı kümeleme yönteminin başka bir türüdür ve birkaç parametreyi daha dikkate alması dışında süreç olarak DBSCAN'a benzer. Ancak hesaplama açısından DBSCAN'dan daha karmaşıktır. Ayrıca, veri noktalarını kümelere ayırmaz, ancak küme oluşturmanın yorumlanmasına yardımcı olabilecek bir erişilebilirlik grafiği oluşturur.

BIRCH (Dengeli İteratif İndirgeme ve Hiyerarşileri Kullanarak Kümeleme) : – Verilerin bir özetini oluşturarak kümeler oluşturur. Önce verileri özetlediği ve ardından kümeler oluşturmak için aynısını kullandığı için büyük veri kümeleriyle iyi çalışır. Ancak, yalnızca uzayda temsil edilebilen sayısal niteliklerle ilgilenebilir.

Ayrıca Okuyun: Bilmeniz Gereken Veri Madenciliği Algoritmaları

Uygulamalar

• Pazardaki tüketici tabanının segmentasyonu.
• Sosyal ağ analizi.
• Resim parçalama.
• Öneri Sistemleri.

Kümeleme ve Sınıflandırma Arasındaki Fark

1. Tür : – Kümeleme denetimsiz bir öğrenme yöntemidir, sınıflandırma ise denetimli bir öğrenme yöntemidir.
2. İşlem : – Kümelemede, veri noktaları benzerliklerine göre kümeler halinde gruplandırılır. Sınıflandırma, girdi verilerinin çıktı değişkeninden gelen sınıf etiketlerinden biri olarak sınıflandırılmasını içerir.
3. Tahmin : – Sınıflandırma, model oluşturmaya dayalı olarak girdi değişkeninin tahminini içerir. Kümeleme genellikle daha iyi karar vermek için verileri analiz etmek ve bunlardan çıkarımlar yapmak için kullanılır.
4. Verilerin bölünmesi : – Sınıflandırma algoritmaları, modeli tahmin etmek ve değerlendirmek için verilerin eğitim ve test verileri olarak bölünmesine ihtiyaç duyar. Kümeleme algoritmaları, kullanımı için verilerin bölünmesine ihtiyaç duymaz.
5. Veri Etiketi : – Sınıflandırma algoritmaları etiketli verilerle ilgilenirken, kümeleme algoritmaları etiketlenmemiş verilerle ilgilenir.
6. Aşamalar : – Sınıflandırma süreci iki aşamadan oluşur – Eğitim ve Test. Kümeleme işlemi yalnızca verilerin gruplandırılmasını içerir.
7. Karmaşıklık : – Sınıflandırma daha fazla sayıda aşama ile ilgilendiğinden, sınıflandırma algoritmalarının karmaşıklığı, amacı yalnızca verileri gruplamak olan kümeleme algoritmalarından daha yüksektir.

Çözüm

Sınıflandırma ve kümeleme metodolojisi farklıdır ve algoritmalarından beklenen sonuç da farklıdır. Özetle, farklı problemlerin üstesinden gelmek için hem sınıflandırma hem de kümeleme kullanılır. Bu makale, sınıflandırma ve kümelemeye kısa bir giriş sağladı.

Ayrıca, birkaç uygulama ile birlikte her durumda kullanılan farklı algoritma türleri hakkında da biraz okuduk. Bu makalede listelenen algoritmalar ayrıntılı değildir. yani Bu tam bir liste değildir ve bu tür problemlerin üstesinden gelmek için kullanılabilecek başka birçok algoritma vardır.

Veri bilimini öğrenmeyi merak ediyorsanız, çalışan profesyoneller için oluşturulan ve 10'dan fazla vaka çalışması ve proje, uygulamalı uygulamalı atölye çalışmaları, endüstri uzmanlarıyla mentorluk, endüstri ile 1'e 1 sunan Veri Biliminde PG Diplomamıza göz atın. mentorlar, en iyi firmalarla 400+ saat öğrenim ve iş yardımı.