دانلود پاورپوینت خوشه بندی مقید با فرمت ppt و در34 اسلاید قابل ویرایش

قسمتی از متن پاورپوینت

— پاورپوینت شامل تصاویر میباشد —-

اسلاید ۱ :

فهرست مطالب

• مقدمه ای بر خوشه بندی
• ارزیابی خوشه بندی
• خوشه بندی مقید
• چالشها و راهکارها
• پژوهش های انجام شده

اسلاید ۲ :

• خوشه‌بندی

گروه‌بندی داده‌ها به گونه‌ای که خصوصیات مشترک بین داده‌های هر گروه زیاد و خصوصیات مشترک بین گروه‌های متفاوت کم باشد.

سوال ۱: خصوصیات مشترک؟ چگونگی تشخیص خصوصیات؟

• طیف وسیع کاربرد

یادگیری ماشین، هوش مصنوعی، الگوشناسی، وب کاوی، تحلیل پایگاه داده، پردازش متون و تصاویر، علوم پزشکی، علوم اجتماعی، اقتصاد و تجارت، علوم کامپیوتر، پزشکی

• خوشه‌بندی به عنوان یک مساله مشکل
• مهم‌ترین دلایل مشکل‌بودن مساله:
• ذات بدون ناظر بودن الگوریتم‌های خوشه‌بندی
• ابهام در تعریف خوشه مناسب
• مشکل بودن تعریف معیار فاصله مناسب
• تعریف تابع هدف مناسب به منظور خوشه‌بندی
• عدم وجود الگوریتم جامع برای حل همه مسائل خوشه‌بندی

اسلاید ۳ :

ارزیابی کلاسترینگ

• چند مساله
• تمایل به خوشه بندی شدن داده؟
• آیا یک ساختار غیر تصادفی در داده وجود دارد؟
• استفاده از تستهای آماری
• تعداد خوشه ها؟
• برخی الگوریتم ها نیاز به دانستن تعداد خوشه ها قبل از خوشه بندی دارند.
• راهکارهای تقسیم و ادغام با معیارهایی از قبیل واریانس درون و برون خوشه ای
• کیفیت خوشه بندی انجام شده؟
• خوشه بندی انجام شده چقدر خوب است؟
• ارائه معیارهای ارزیابی مناسب

اسلاید ۴ :

ویژگیهای یک معیار ارزیابی مناسب (4 شرط)

• Cluster homogeneity
• هر چه خلوص در خوشه بندی (با دانستن کلاس اصلی داده ها، داده های هم کلاس در یک خوشه قرار بگیرند) بیشتر باشد این معیار بیشتر است.
• داده های دسته های متفاوت در خوشه های متفاوت قرار داده شوند.

اسلاید ۵ :

ارزیابی کلاسترینگ (کیفیت خوشه بندی انجام شده؟)

• Cluster completeness
• نقطه مقابل Cluster homogeneity
• داده ها ی دسته های یکسان در خوشه های یکسان قرار داده شوند.

اسلاید ۶ :

ارزیابی کلاسترینگ (کیفیت خوشه بندی انجام شده؟)

• Rag bag
• در برخی مسایل دسته ای به نام «متفرقه» داریم که شامل داده هایی است که نمی توانند با داده های دیگر کلاسها هم خوشه شوند.
• جریمه انتساب این نوع داده ها به یک خوشه خالص بیشتر از انتساب آنها به خوشه متفرقه است .

اسلاید ۷ :

ارزیابی کلاسترینگ (کیفیت خوشه بندی انجام شده؟)

• Small cluster preservation
• هدف: ممانعت از شکسته شدن دسته های کوچک اشیا
• تقسیم یک دسته کوچک از اشیا به دسته های ریز بسیار خطرناکتر از تقسیم دسته بزرگ به دسته های کوچکتر است.
• داده ها ممکن است با فرض نویز یا outlier حذف شوند.

اسلاید ۸ :

استفاده از اطلاعات جانبي در خوشه‌بندي

• اطلاعات جانبی
• ساختار داده‌ها
• هدف خوشه‌بندی
• شکل خوشه‌ها
• بیشینه اندازه خوشه‌ها
• حداکثر اعضای هر خوشه
• قیدهای در سطح نمونه
• قیدهای باید-پیوند Must-link(ML)
• قیدهای نفی-پیوند Cannot-link(CL)
• قابلیت این قیدها در تعریف قیدهای پیچیده تر
• قید وجود حداقل یک همسایه در فاصله ε: با ایجاد قید باید-پیوند میان هر داده و حداقل یکی از نقاط موجود در همسایگی ε

اسلاید ۹ :

خوشه‌بنديمقيد (دسته‌بندي )

• مبتنی بر ارضاء قید:
• ارضاء سخت:
• ارضاء تمامی قیدها به طور کامل
• رویکرد جستجوی حریصانه، عدم یافتن یک جواب ممکن برای مساله حتی در صورت وجود جواب
• COP-KMEANS [Wagstaff01]
• ارضاء نرم: تا حد ممکن سعی در ارضاء قیدها دارند.

اسلاید ۱۰ :

خوشه‌بنديمقيد (دسته‌بندي)

• سلسله مراتبی:
• با تغییر الگوریتم‌های خوشه‌بندی سلسله‌مراتبی قابلیت برآورده کردن قیدها را نیز در آنها تعبیه می‌نمایند.
• خوشه‌بندی با ساختن دندروگرامی از داده‌ها
• روش پایه:
• ابتدا هر داده به عنوان یک خوشه درنظر گرفته می شود.
• عمل ادغام خوشه‌ها تا هنگامی که ادغام آنها هیچ قیدی را نقض نکند
• روش Davidson [Davidson05]
• ابتدا بستارهای تراگذری مربوط به قیدهای باید-پیوند (ML) محاسبه می‌شود
• خوشه‌بندی را با X1+r خوشه آغاز می‌نماید کهX1 تعداد نمونه‌هایی است که هیچ قید باید-پیوندی بر روی آنها اعمال نشده و r تعداد اجزاء همبند حاصل از قیدهای باید-پیوند است..
• انتخاب دو نزدیکترین خوشه و ادغام آنها تا زمانی که دو خوشه برای ادغام وجود دارند.