Algorithmes de clustering utilisés dans Data Science - des nuls

Vous utilisez des algorithmes de clustering pour subdiviser vos ensembles de données en groupes de points de données les plus similaires pour un attribut prédéfini. Si vous disposez d'un jeu de données décrivant plusieurs attributs d'une fonctionnalité particulière et que vous souhaitez regrouper vos points de données en fonction de leurs similitudes d'attributs, utilisez des algorithmes de clustering.

Un simple diagramme de dispersion des jeux de données Country Income and Education donne le graphique que vous voyez ici.

Dans un clustering non supervisé, vous commencez avec ces données, puis vous divisez en sous-ensembles. Ces sous-ensembles sont appelés clusters et sont composés de points de données qui se ressemblent le plus. Il semble qu'il y ait au moins deux grappes, probablement trois - un en bas avec un faible revenu et un faible niveau d'instruction - et les pays de l'enseignement supérieur semblent être divisés entre un revenu faible et un revenu élevé.

La figure suivante montre le résultat de eyeballing - en faisant une estimation visuelle des - grappes dans cet ensemble de données.

Bien que vous puissiez générer des estimations visuelles de la mise en grappe, vous pouvez obtenir des résultats beaucoup plus précis lorsque vous manipulez des ensembles de données beaucoup plus volumineux en utilisant des algorithmes pour générer des clusters pour vous. L'estimation visuelle est une méthode grossière qui n'est utile que sur des jeux de données plus petits de complexité minimale. Algorithmes -produisez des résultats exacts et reproductibles, et vous pouvez utiliser des algorithmes pour générer un clustering pour plusieurs dimensions de données dans votre ensemble de données.

Les algorithmes de clustering sont un type d'approche dans l'apprentissage automatique non supervisé - d'autres approches incluent des méthodes de Markov et des méthodes de réduction de dimension. Les algorithmes de clustering sont appropriés dans les situations où les caractéristiques suivantes sont vraies:

• Vous connaissez et comprenez le jeu de données que vous analysez.

• Avant d'exécuter l'algorithme de clustering, vous n'avez pas une idée précise de la nature des sous-ensembles (clusters). Souvent, vous ne saurez même pas combien de sous-ensembles sont présents dans l'ensemble de données avant d'exécuter l'algorithme.

• Les sous-ensembles (clusters) sont déterminés uniquement par le jeu de données que vous analysez.

• Votre objectif est de déterminer un modèle qui décrit les sous-ensembles d'un seul ensemble de données et uniquement cet ensemble de données.

Si vous ajoutez plus de données, vous devez réexécuter l'analyse pour obtenir des résultats de modèle complets et précis.