Кластерный анализ
Безнадзорные методы изучения, чтобы найти естественные группировки и шаблоны в данных
Кластерный анализ, также названный анализом сегментации или анализом таксономии, выборочными данными разделов в группы или кластерами. Кластеры формируются таким образом, что объекты в том же кластере подобны, и объекты в различных кластерах отличны. Statistics and Machine Learning Toolbox™ обеспечивает несколько кластеризирующихся методов и мер подобия (также названный метриками расстояния), чтобы создать кластеры. Кроме того, кластерная оценка определяет оптимальное количество кластеров для данных с помощью различных критериев оценки. Кластерные опции визуализации включают графики контура и древовидные схемы. Тулбокс также обеспечивает несколько функций обнаружения аномалии, чтобы идентифицировать выбросы и новинки.
Основы кластерного анализа
- Иерархическая кластеризация
Произведите вложенные наборы кластеров
- k-средних значений и Кластеризация k-Medoids
Кластер путем минимизации среднего значения или medoid расстояния, и вычисляет расстояние Mahalanobis
- Основанная на плотности пространственная кластеризация приложений с шумом
Найдите кластеры и выбросы при помощи алгоритма DBSCAN
- Спектральная кластеризация
Найдите кластеры при помощи основанного на графике алгоритма
- Смешанные гауссовские модели
Кластер на основе смешанных гауссовских моделей с помощью алгоритма Максимизации Ожидания
- Самые близкие соседи
Найдите самых близких соседей, использующих d-поиск-по-дереву K или исчерпывающий поиск
- Скрытые модели Маркова
Модели Маркова для генерации данных
- Обнаружение аномалии
Обнаружьте выбросы и новинки
- Кластерная визуализация и оценка
Постройте кластеры данных и оцените оптимальное количество кластеров
