Кластерный анализ
Неконтролируемые методы обучения для поиска естественных группировок и шаблонов в данных
Кластерный анализ, также названный сегментационным анализом или таксономическим анализом, разбивает выборочные данные на группы или кластеры. Кластеры формируются таким образом, чтобы объекты в одном кластере были одинаковыми, а объекты в разных кластерах были различными. Statistics and Machine Learning Toolbox™ предоставляет несколько методов кластеризации и мер подобия (также называемых дистанционными метриками), чтобы создать кластеры. Кроме того, оценка кластеров определяет оптимальное количество кластеров для данных с помощью различных критериев оценки. Опции визуализации кластера включают дендрограммы и силуэтные графики.
Основы кластерного анализа
- Иерархическая кластеризация
Создание вложенных наборов кластеров
- k-средних значений и k-Медоидная кластеризация
Кластер путем минимизации среднего или медоидного расстояния и вычисления расстояния Махаланобиса
- Основанная на плотности пространственная кластеризация приложений с шумом
Найдите кластеры и выбросы с помощью алгоритма DBSCAN
- Спектральная кластеризация
Найдите кластеры с помощью основанного на графе алгоритма
- Смешанные гауссовские модели
Кластер на основе Смешанных гауссовских моделей с использованием алгоритма Ожидания-Максимизации
- Ближайшие соседи
Найдите ближайших соседей с помощью исчерпывающего поиска или K поиска по d-дереву
- Скрытые модели Маркова
Марковские модели для генерации данных
- Визуализация и оценка кластеров
Постройте кластеры данных и оцените оптимальное количество кластеров
