2. Dichtebasiertes Clustering (Modellbasierte Methoden)

Dichtebasiertes Clustering, eine modellbasierte Methode, findet Gruppen basierend auf der Dichte von Datenpunkten. Im Gegensatz zum Schwerpunkt-basierten Clustering, bei dem die Anzahl der Cluster vordefiniert werden muss und empfindlich auf die Initialisierung reagiert, bestimmt das dichtebasierte Clustering die Anzahl der Cluster automatisch und ist weniger anfällig für Anfangspositionen. Sie eignen sich hervorragend für den Umgang mit Clustern unterschiedlicher Größe und Form und eignen sich daher ideal für Datensätze mit unregelmäßig geformten oder überlappenden Clustern. Diese Methoden verwalten sowohl dichte als auch spärliche Datenbereiche, indem sie sich auf die lokale Dichte konzentrieren, und können Cluster mit einer Vielzahl von Morphologien unterscheiden.

Im Gegensatz dazu ist es bei der zentroidbasierten Gruppierung wie bei k-means schwierig, beliebig geformte Cluster zu finden. Aufgrund der voreingestellten Anzahl von Clusteranforderungen und der extremen Empfindlichkeit gegenüber der anfänglichen Positionierung der Schwerpunkte können die Ergebnisse variieren. Darüber hinaus schränkt die Tendenz zentroidbasierter Ansätze, sphärische oder konvexe Cluster zu erzeugen, ihre Fähigkeit ein, komplizierte oder unregelmäßig geformte Cluster zu verarbeiten. Zusammenfassend lässt sich sagen, dass dichtebasiertes Clustering die Nachteile zentroidbasierter Techniken überwindet, indem es Clustergrößen autonom wählt, widerstandsfähig gegenüber Initialisierung ist und Cluster unterschiedlicher Größe und Form erfolgreich erfasst. Der beliebteste dichtebasierte Clustering-Algorithmus ist DBSCAN .

3. Konnektivitätsbasiertes Clustering (hierarchisches Clustering)

Eine Methode zum Zusammenstellen zusammengehöriger Datenpunkte zu hierarchischen Clustern wird als hierarchisches Clustering bezeichnet. Jeder Datenpunkt wird zunächst als separater Cluster betrachtet, der anschließend mit den ähnlichsten Clustern zu einem großen Cluster zusammengefasst wird, der alle Datenpunkte enthält.

Überlegen Sie, wie Sie eine Sammlung von Gegenständen basierend auf deren Ähnlichkeit anordnen können. Jedes Objekt beginnt als eigener Cluster an der Basis des Baums, wenn hierarchisches Clustering verwendet wird, das ein Dendrogramm, eine baumartige Struktur, erstellt. Die engsten Clusterpaare werden dann zu größeren Clustern zusammengefasst, nachdem der Algorithmus untersucht hat, wie ähnlich die Objekte einander sind. Wenn sich jedes Objekt in einem Cluster oben im Baum befindet, ist der Zusammenführungsprozess abgeschlossen. Das Erkunden verschiedener Granularitätsebenen ist einer der unterhaltsamen Aspekte des hierarchischen Clusterings. Um eine bestimmte Anzahl von Clustern zu erhalten, können Sie diese ausschneiden Dendrogramm in einer bestimmten Höhe. Je ähnlicher zwei Objekte innerhalb eines Clusters sind, desto näher liegen sie beieinander. Dies ist vergleichbar mit der Klassifizierung von Gegenständen nach ihren Stammbäumen, wobei die nächsten Verwandten gruppiert sind und die breiteren Zweige allgemeinere Verbindungen bedeuten. Es gibt zwei Ansätze für hierarchisches Clustering:

• Spaltendes Clustering : Es folgt ein Top-Down-Ansatz. Hier betrachten wir alle Datenpunkte als Teil eines großen Clusters und teilen diesen Cluster dann in kleinere Gruppen auf.
• Agglomeratives Clustering : Es folgt einem Bottom-up-Ansatz. Hier betrachten wir alle Datenpunkte als Teil einzelner Cluster und diese Cluster werden dann zu einem großen Cluster mit allen Datenpunkten zusammengefasst.

4. Verteilungsbasiertes Clustering

Durch verteilungsbasiertes Clustering werden Datenpunkte generiert und entsprechend ihrer Neigung, innerhalb der Daten in dieselbe Wahrscheinlichkeitsverteilung (z. B. eine Gaußsche Verteilung, eine Binomialverteilung oder eine andere) zu fallen, organisiert. Die Datenelemente werden mithilfe einer wahrscheinlichkeitsbasierten Verteilung gruppiert, die auf statistischen Verteilungen basiert. Eingeschlossen sind Datenobjekte, bei denen die Wahrscheinlichkeit höher ist, dass sie im Cluster enthalten sind. Die Wahrscheinlichkeit, dass ein Datenpunkt in einen Cluster aufgenommen wird, ist umso geringer, je weiter er vom zentralen Punkt des Clusters entfernt ist, der in jedem Cluster vorhanden ist.

Ein bemerkenswerter Nachteil von dichte- und grenzenbasierten Ansätzen ist die Notwendigkeit, die Cluster für einige Algorithmen a priori zu spezifizieren, und in erster Linie die Definition der Clusterform für den Großteil der Algorithmen. Es muss mindestens eine Abstimmung oder ein Hyperparameter ausgewählt sein, und obwohl dies einfach sein sollte, könnte ein Fehler unvorhergesehene Auswirkungen haben. Verteilungsbasiertes Clustering hat im Hinblick auf Flexibilität, Genauigkeit und Clusterstruktur einen klaren Vorteil gegenüber Proximity- und Schwerpunkt-basierten Clustering-Ansätzen. Das Kernproblem besteht darin, dies zu vermeiden Überanpassung Viele Clustering-Methoden funktionieren jedoch nur mit simulierten oder hergestellten Daten oder wenn der Großteil der Datenpunkte mit Sicherheit zu einer voreingestellten Verteilung gehört. Der beliebteste verteilungsbasierte Clustering-Algorithmus ist Gaußsches Mischungsmodell .

Anwendungen des Clusterings in verschiedenen Bereichen:

1. Marketing: Es kann zur Charakterisierung und Entdeckung von Kundensegmenten für Marketingzwecke verwendet werden.
2. Biologie: Es kann zur Klassifizierung verschiedener Pflanzen- und Tierarten verwendet werden.
3. Bibliotheken: Es wird verwendet, um verschiedene Bücher nach Themen und Informationen zu gruppieren.
4. Versicherung: Es wird verwendet, um die Kunden und ihre Richtlinien zu erkennen und Betrug zu identifizieren.
5. Stadtplanung: Es wird verwendet, um Gruppen von Häusern zu bilden und deren Wert anhand ihrer geografischen Lage und anderer vorhandener Faktoren zu untersuchen.
6. Erdbebenstudien: Indem wir die vom Erdbeben betroffenen Gebiete kennen, können wir die Gefahrenzonen bestimmen.
7. Bildverarbeitung : Clustering kann verwendet werden, um ähnliche Bilder zu gruppieren, Bilder anhand des Inhalts zu klassifizieren und Muster in Bilddaten zu identifizieren.
8. Genetik: Durch Clustering werden Gene mit ähnlichen Expressionsmustern gruppiert und Gennetzwerke identifiziert, die in biologischen Prozessen zusammenarbeiten.
9. Finanzen: Mithilfe von Clustering werden Marktsegmente anhand des Kundenverhaltens identifiziert, Muster in Börsendaten identifiziert und Risiken in Anlageportfolios analysiert.
10. Kundendienst: Durch Clustering werden Kundenanfragen und Beschwerden in Kategorien gruppiert, häufige Probleme identifiziert und gezielte Lösungen entwickelt.
11. Herstellung : Clustering wird verwendet, um ähnliche Produkte zu gruppieren, Produktionsprozesse zu optimieren und Fehler in Herstellungsprozessen zu identifizieren.
12. Medizinische Diagnose: Clustering wird verwendet, um Patienten mit ähnlichen Symptomen oder Krankheiten zu gruppieren, was dabei hilft, genaue Diagnosen zu stellen und wirksame Behandlungen zu identifizieren.
13. Entdeckung eines Betruges: Mithilfe von Clustering werden verdächtige Muster oder Anomalien bei Finanztransaktionen identifiziert, was bei der Aufdeckung von Betrug oder anderen Finanzkriminalität hilfreich sein kann.
14. Verkehrsanalyse: Mithilfe von Clustering werden ähnliche Muster von Verkehrsdaten wie Spitzenzeiten, Routen und Geschwindigkeiten gruppiert, was zur Verbesserung der Verkehrsplanung und -infrastruktur beitragen kann.
15. Analyse sozialer Netzwerke: Clustering wird verwendet, um Gemeinschaften oder Gruppen innerhalb sozialer Netzwerke zu identifizieren, was dabei helfen kann, soziales Verhalten, Einfluss und Trends zu verstehen.
16. Internet-Sicherheit: Clustering wird verwendet, um ähnliche Muster des Netzwerkverkehrs oder Systemverhaltens zu gruppieren, was bei der Erkennung und Verhinderung von Cyberangriffen hilfreich sein kann.
17. Klimaanalyse: Mithilfe von Clustering werden ähnliche Muster von Klimadaten wie Temperatur, Niederschlag und Wind gruppiert, was zum Verständnis des Klimawandels und seiner Auswirkungen auf die Umwelt beitragen kann.
18. Sportanalyse: Clustering wird verwendet, um ähnliche Muster von Leistungsdaten von Spielern oder Teams zu gruppieren, was bei der Analyse der Stärken und Schwächen von Spielern oder Teams und beim Treffen strategischer Entscheidungen hilfreich sein kann.
19. Kriminalitätsanalyse: Clustering wird verwendet, um ähnliche Muster von Kriminalitätsdaten wie Ort, Zeit und Art zu gruppieren. Dies kann dabei helfen, Kriminalitätsschwerpunkte zu identifizieren, zukünftige Kriminalitätstrends vorherzusagen und Strategien zur Kriminalprävention zu verbessern.

Abschluss

In diesem Artikel haben wir Clustering, seine Typen und seine Anwendungen in der realen Welt besprochen. Beim unüberwachten Lernen gibt es noch viel mehr zu beleuchten, und die Clusteranalyse ist nur der erste Schritt. Dieser Artikel kann Ihnen den Einstieg in Clustering-Algorithmen erleichtern und Ihnen dabei helfen, ein neues Projekt zu finden, das Ihrem Portfolio hinzugefügt werden kann.

Häufig gestellte Fragen (FAQs) zum Clustering

F. Was ist die beste Clustering-Methode?

Die Top 10 Clustering-Algorithmen sind:

1. K-bedeutet Clustering
2. Hierarchisches Clustering
3. DBSCAN (Density-Based Spatial Clustering of Applications with Noise)
4. Gaußsche Mischungsmodelle (GMM)
5. Agglomeratives Clustering
6. Spektrale Clusterbildung
7. Mean-Shift-Clustering
8. Affinitätsausbreitung
9. OPTIK (Ordnungspunkte zur Identifizierung der Clusterstruktur)
10. Birch (Ausgewogenes iteratives Reduzieren und Clustering mithilfe von Hierarchien)

F. Was ist der Unterschied zwischen Clustering und Klassifizierung?

Der Hauptunterschied zwischen Clustering und Klassifizierung besteht darin, dass es sich bei der Klassifizierung um einen überwachten Lernalgorithmus und bei Clustering um einen unbeaufsichtigten Lernalgorithmus handelt. Das heißt, wir wenden Clustering auf die Datensätze an, die keine Zielvariable haben.

F. Welche Vorteile bietet die Clustering-Analyse?