Data mining con clustering K-Means

Il K-significa che l'algoritmo di clustering è a estrazione dei dati e strumento di apprendimento automatico utilizzato per raggruppare le osservazioni in gruppi di osservazioni correlate senza alcuna conoscenza preliminare di tali relazioni. Per campionamento, l'algoritmo tenta di mostrare a quale categoria, o cluster, i dati appartengono, con il numero di cluster definito dal valore K.

Il K-significa che l'algoritmo è una delle tecniche di clustering più semplici ed è comunemente usato nell'imaging medico, nella biometria e nei campi correlati. Il vantaggio di K-significa che il clustering è che racconta i tuoi dati (usando la sua forma non supervisionata) piuttosto che te dovendo istruire l'algoritmo sui dati all'inizio (usando il modulo supervisionato del algoritmo).

A volte è indicato come Algoritmo di Lloyd, in particolare nei circoli informatici perché l'algoritmo standard è stato proposto per la prima volta da Stuart Lloyd nel 1957. Il termine "k-means" è stato coniato nel 1967 da James McQueen.

Come funziona l'algoritmo K-Means

Il K-significa che l'algoritmo è un algoritmo evolutivo che prende il nome dal suo metodo di funzionamento. L'algoritmo raggruppa le osservazioni in K gruppi, dove K viene fornito come parametro di input. Quindi assegna ogni osservazione ai cluster in base alla vicinanza dell'osservazione alla media del cluster. La media del cluster viene quindi ricalcolata e il processo ricomincia. Ecco come funziona l'algoritmo:

1. L'algoritmo seleziona arbitrariamente K punti come i centri iniziali del cluster (i mezzi).
2. Ogni punto nel dataset è assegnato all'ammasso chiuso, in base alla distanza euclidea tra ogni punto e ogni centro dell'ammasso.
3. Ogni centro cluster viene ricalcolato come media dei punti in quel cluster.
4. I passaggi 2 e 3 si ripetono fino a quando i cluster convergono. La convergenza può essere definita in modo diverso a seconda dell'implementazione, ma normalmente significa che nessuna osservazione cambiare cluster quando vengono ripetuti i passaggi 2 e 3, o che le modifiche non fanno una differenza sostanziale nella definizione del cluster.

Scelta del numero di cluster

Uno dei principali svantaggi di K-significa che il clustering è il fatto che è necessario specificare il numero di cluster come input per l'algoritmo. Come progettato, l'algoritmo non è in grado di determinare il numero appropriato di cluster e dipende dall'utente per identificarlo in anticipo.

Ad esempio, se hai un gruppo di persone che devono essere raggruppate in base all'identità di genere binaria come maschio o femmina, chiamando il K-significa algoritmo che utilizza l'input k=3 costringerebbe le persone in tre gruppi quando solo due, o un input di k=2, fornirebbe un adattamento più naturale.

Allo stesso modo, se un gruppo di individui è stato facilmente raggruppato in base allo stato di origine e hai chiamato il K-significa algoritmo con l'input k=20, i risultati potrebbero essere troppo generalizzati per essere efficaci.

Per questo motivo, spesso è una buona idea sperimentare diversi valori di K per identificare il valore più adatto ai tuoi dati. Potresti anche voler esplorare l'uso di altri algoritmi di data mining nella tua ricerca di conoscenze apprese dalla macchina.