Различные фазы прогнозируемой кластеризации в аналитике данных

В этой статье мы собираемся подробно обсудить различные фазы прогнозируемой кластеризации в аналитике данных.

Три этапа прогнозируемой кластеризации:

1. Фаза инициализации
2. Итерационная фаза
3. Фаза уточнения

Это объясняется следующим образом.

1. Фаза инициализации:
Этот этап состоит из двух шагов для выбора расширенного набора.

• На первом этапе он выбирает случайные выборки точек данных, размер которых пропорционален количеству кластеров, которые пользователь хочет создать, которые задаются как,

   S = случайный размер выборки Ak,

  где A - константа, а k - количество кластеров.

• Второй шаг, использующий жадный метод, выполняется для получения окончательного набора точек Bk, где B - небольшая константа.

Этот набор обозначен буквой M, где техника восхождения на холм применяется на следующем этапе.

• Произвольно возьмите образец набора данных.
• Выберите набор точек данных, которые, вероятно, являются медоидами кластера.

2. Итерационная фаза:
На этапе инициализации мы получили набор точек данных, которые должны содержать медоиды. На этом этапе мы найдем лучшие медоиды из M. Случайным образом выбираем набор текущих точек M и восстанавливаем «плохие» медоиды из другой точки в M, если требуется, за счет чего улучшается качество кластера. Только что сформированный осмысленный набор медоидов обозначается как M best.

Для медоидов следующее будет сделано следующим образом.

• Определите измерения, связанные с медоидами.
• Выделите точки данных медоидам.
• Измерьте сформированные кластеры.
• Определите плохой медоид и попробуйте результат восстановления плохого медоида.
• Вышеописанная процедура повторяется до тех пор, пока мы не получим удовлетворительный результат.

3. Фаза уточнения - обработка выбросов:

• Конечным шагом этого алгоритма является этап уточнения. Эта фаза заключается в повышении качества сформированных кластеров.
• Кластеры C1, C2, C3,…., Ck, сформированные во время итерационной фазы, являются подачей на эту фазу.
• Собственный набор данных передается один или несколько раз для повышения качества кластеров.
• Наборы Di измерений, найденные во время итерационной фазы, удаляются, и новые наборы измерений вычисляются для каждого из набора Ci кластеров.
• Однажды, когда для кластеров рассчитываются новые измерения, точки переназначаются медоидам, которые сравниваются с этими новыми наборами измерений.
• Выбросы определяются при последнем проходе данных.

Главный недостаток:

• Алгоритм требует среднего количества измерений на кластер в качестве структуры входных данных. Производительность прогнозируемой кластеризации сильно зависит от ценности ее входной структуры.
• Если среднее количество измерений оценено ошибочно, представление прогнозируемой кластеризации значительно ухудшается.