Hierarchisches Clustering ist eine unbeaufsichtigte Lernmethode, mit der Objekte in einem Datensatz nach Ähnlichkeit gruppiert werden. Bei dieser Methode wird der Datensatz schrittweise in immer kleinere Teilmengen unterteilt, wodurch schließlich eine hierarchische Struktur entsteht, in der jede Teilmenge als Cluster betrachtet werden kann. Hierarchisches Clustering umfasst zwei Arten: agglomerativ und spaltend. Das agglomerative hierarchische Clustering beginnt mit jedem Objekt als anfänglichem Cluster und führt dann nach und nach ähnliche Cluster zusammen, bis alle Objekte zu einem Cluster zusammengeführt sind. Das schizoide hierarchische Clustering beginnt mit dem gesamten Datensatz als anfänglichem Cluster und teilt den Cluster dann schrittweise in kleinere Cluster auf, bis jedes Objekt einen separaten Cluster bildet. Hierarchische Clustering-Methoden bieten Flexibilität hinsichtlich der Anzahl der Cluster und sind gleichzeitig in der Lage, die Anzahl der Cluster zu erfassen, indem sie Cluster mit hoher Ähnlichkeit nach und nach zu großen Clustern zusammenführen oder die erforderliche Anzahl von Clustern erreichen. Diese Methode hat den Vorteil, dass sie sich an Cluster beliebiger Form anpassen lässt und nicht erfordert, dass die Anzahl der Cluster im Voraus festgelegt wird. Es reagiert jedoch sehr empfindlich auf Rauschen und Ausreißer und weist außerdem einen hohen Rechenaufwand auf. Daher müssen bei der Anwendung von agglomerativem hierarchischem Clustering die Daten vorverarbeitet werden, um Rauschen und Ausreißer zu entfernen, während gleichzeitig auf den Verbrauch von Rechenressourcen geachtet werden sollte.
Schizoides hierarchisches Clustering ist eine Top-Down-Methode, die das Clustering durch schrittweise Aufteilung des gesamten Datensatzes in immer kleinere Teilmengen erreicht. Es hat den Vorteil, dass es unempfindlich gegenüber Rauschen und Ausreißern ist und einen geringen Rechenaufwand aufweist. Der Nachteil der schizotypischen hierarchischen Clusterbildung besteht jedoch darin, dass sie sich nicht an Cluster beliebiger Form anpassen kann und die Anzahl der Cluster im Voraus festgelegt werden muss.
Der Kern des hierarchischen Clusterings ist die Ähnlichkeitsmessung. Zu den gängigen Messmethoden gehören die Euklidische Distanz, die Manhattan-Distanz und die Kosinus-Ähnlichkeit. Diese Maße werden im Clustering-Prozess verwendet, um den Abstand oder die Ähnlichkeit zwischen Clustern zu berechnen und so die Zusammenführung oder Aufteilung von Clustern zu bestimmen. Hierarchisches Clustering baut eine Clusterhierarchie auf, indem Cluster kontinuierlich zusammengeführt oder geteilt werden, wobei jede Ebene eine unterschiedliche Anzahl von Clustern darstellt.
Die Hauptschritte des hierarchischen Clustering-Algorithmus umfassen:
1 Berechnen Sie den Abstand oder die Ähnlichkeitsmatrix zwischen Stichproben.
2. Behandeln Sie jede Probe als Cluster und erstellen Sie einen anfänglichen Clusterbaum.
3. Wiederholen Sie die folgenden Schritte, bis ein Cluster gebildet ist:
a. Berechnen Sie den Abstand oder die Ähnlichkeit zwischen allen Clustern im aktuellen Clusterbaum. b. Füge die beiden Cluster mit dem geringsten Abstand oder der geringsten Ähnlichkeit zusammen.Kurz gesagt ist hierarchisches Clustering eine gängige unbeaufsichtigte Methode des maschinellen Lernens, die einen Datensatz basierend auf Ähnlichkeit in verschiedene Cluster unterteilen und eine Clusterhierarchie bilden kann. Agglomeratives hierarchisches Clustering und divisives hierarchisches Clustering sind zwei gängige hierarchische Clustering-Methoden. In Anwendungen kann hierarchisches Clustering in der Bildsegmentierung, Textclusterung, Bioinformatik, Analyse sozialer Netzwerke und anderen Bereichen eingesetzt werden.
Das obige ist der detaillierte Inhalt vonAnwendung von hierarchischem Clustering beim maschinellen Lernen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
