Differenza tra clustering gerarchico e clustering parziale Differenza tra clustering gerarchico e partizionato

Clustering gerarchico / parziale

Il clustering è una tecnica di apprendimento macchina per analizzare i dati e dividere in gruppi di dati simili. Questi gruppi o gruppi di dati simili sono noti come cluster. L'analisi cluster esamina gli algoritmi di cluster che possono identificare automaticamente i cluster. Gerarchici e partizionali sono due classi di algoritmi di clustering. Gli algoritmi di clustering gerarchici dividono i dati in una gerarchia di cluster. Gli algoritmi di parziale dividono il set di dati in partizioni disgiunte reciprocamente.

Che cosa è il clustering gerarchico?

Gli algoritmi di clustering gerarchici ripetono il ciclo di fusione di cluster più piccoli in quelli più grandi o di divisione di cluster più grandi a quelli più piccoli. In entrambi i casi, produce una gerarchia di cluster chiamati un dendogramma. La strategia di aggregazione agglomerativa utilizza l'approccio bottom-up della fusione di cluster in quelli più grandi, mentre la strategia divisiva di cluster utilizza l'approccio top-down della suddivisione in quelle più piccole. In genere, l'approccio avido viene utilizzato per decidere quali cluster più grandi / piccoli sono usati per la fusione / divisione. La distanza euclidea, la distanza di Manhattan e la somiglianza dei coseni sono alcune delle metriche più comunemente utilizzate per la somiglianza dei dati numerici. Per i dati non numerici vengono utilizzate metriche quali la distanza Hamming. È importante notare che le osservazioni effettive (istanze) non sono necessarie per il clustering gerarchico, perché solo la matrice di distanze è sufficiente. Il dendogramma è una rappresentazione visiva dei cluster, che mostra la gerarchia in modo molto chiaro. L'utente può ottenere diversi clustering a seconda del livello in cui il dendogramma viene tagliato.

Che cosa è il clustering di parte?

Gli algoritmi di cluster di partizione generano varie partizioni e li valutano per qualche criterio. Essi sono anche indicati come nonhierarchici, poiché ogni istanza è posta in esattamente uno dei cluster k reciprocamente esclusivi. Poiché solo un insieme di cluster è l'output di un tipico algoritmo di clustering partizionato, l'utente deve immettere il numero desiderato di cluster (generalmente chiamati k). Uno dei più diffusi algoritmi di clustering partizionali è l'algoritmo di clustering k-means. L'utente deve fornire il numero di cluster (k) prima dell'avvio e l'algoritmo innanzitutto inizia i centri (o centroidi) delle partizioni k. In poche parole, il k-means algoritmo di cluster assegna quindi i membri basati sui centri attuali e ristampando centri basati sui membri attuali. Queste due fasi vengono ripetute fino a quando non vengono ottimizzati una certa funzione oggettistica di somiglianza tra i cluster e la funzione obiettivo dissimilarità inter-cluster.Pertanto, una sensibile inizializzazione dei centri è un fattore molto importante per ottenere risultati di qualità dagli algoritmi di clustering partici.

Qual è la differenza tra il clustering gerarchico e il partito?

Il clustering gerarchico e parziale presenta differenze fondamentali nel tempo di esecuzione, nelle ipotesi, nei parametri di input e nei cluster risultanti. Tipicamente, il clustering partizionato è più veloce del clustering gerarchico. Il clustering gerarchico richiede solo una misura di somiglianza, mentre il clustering particulato richiede assunzioni più forti, come il numero di cluster e i centri iniziali. Il clustering gerarchico non richiede alcun parametro di input, mentre gli algoritmi di cluster di partition richiedono il numero di cluster da avviare. Il raggruppamento gerarchico restituisce una divisione molto più significativa e soggettiva dei cluster, ma i clustering partizionali producono esattamente cluster k. Gli algoritmi di clustering gerarchici sono più adatti per i dati categorici finché una misura di somiglianza può essere definita di conseguenza.