آموزش کامل خوشه بندی Clustering

توضیحات

خوشه بندی یا آنالیز خوشه  (Cluster analysis) یا آنالیز قطعه بندی (segmentation analysis)  یا آنالیز رده بندی (taxonomy analysis)  ، به الگوریتم هایی در یادگیری ماشین گفته می شود که داده های نمونه ورودی را به گروه ها یا خوشه ها بخش بندی می کنند. خوشه ها به نحوی تشکیل می شوند که اشیای داخل یک خوشه یکسان مشابه هم هستند و اشیای داخل خوشه متفاوت با هم متمایز هستند. معیارهای زیادی برای ایجاد تمایز بین خوشه ها میتوان تعریف کرد که یکی از پرکاربردترین آنها فاصله می باشد.

به عنوان مثال در شکل بالا داده های یک دیتاست نشان داده شده اند. این داده ها دارای دو خوشه می باشند که یک خوشه با رنگ سبز و خوشه دیگر با رنگ آبی مشخص شده است. همانطور که می بینید داده های خوشه اول در فاصله نزدیکی نسبت به هم قرار دارند و فاصله آنها از داده های خوشه دوم زیاد می باشد. معیار تمایز در این مثال فاصله می باشد.

 

مثالهای کاربردی خوشه بندی:

بازار: بازاریان می توانند با کمک خوشه بندی، داده های بازار را به چندین گروه متمایز بخش بندی می کنند و متناسب با این خوشه بندی، سیاست آینده بازار را بریزند و محصولی را وارد بازار کنند که مشتری بیشتری داشته باشد.

بیمه : شناسایی گروه ای از بیمه ها که تقاضای پرداخت خسارت زیادتر دارند.

بیولوژی: محققین بیولوژی از خوشه بندی برای آنالیز اطلاعات گسترده ژنتیکی بسیار استفاده می کنند. به عنوان مثال، خوشه بندی برای یافتن گروه های ژنی یکسان استفاده می شود.

کاربردهای دیگر خوشه بندی در موتورهای توصیه کننده (Recommendation engines) و آنالیز شبکه های اجتماعی (Social network analysis) و گروه بندی تایج جستجو  (Search result grouping) و پردازش تصاویر پزشکی و بخش بندی تصویر و تشخیص ناهنجاری   (Anomaly detection) می باشد.

 

خوشه بندی در متلب :

تولباکس یادگیری ماشین متلب تکنیک های خوشه بندی زیادی را پشتبانی می کند :

خوشه بندی سلسله مراتبی (Hierarchical Clustering)

خوشه بندی k-means و k-medoids

خوشه بندی مکانی الگوریتم هایی با نویز مبتنی بر تراکم (DBSCAN) (Density-Based Spatial Clustering of Algorithms with Noise)

مدل مخلوط گایوسین  (Gaussian Mixture Model)

جستجوی نزدیکترین همسایه و جستوجی شعاعی (k-Nearest Neighbor Search and Radius Search)

خوشه بندی طیفی (Spectral Clustering)

همچنین شما می توانید با ارزیابی خوشه (cluster evaluation ) ، تعداد بهینه خوشه ها را با استفاده از معیارهای ارزیابی مختلف تعیین کنید. متلب هم چنین امکان رسم نمودارهای dendrograms و silhouette را فراهم می کند تا به صورت گرافیکی هم بتوانید خوشه ها را ببینید.