Cara Menggunakan K-means Algorithm Cluster dalam Analisis Predictive - dummies

K adalah input kepada algoritma untuk analisis ramalan; ia merujuk kepada bilangan kumpulan yang algoritma mesti diambil dari dataset, dinyatakan secara algebra sebagai k . Algoritma K-berarti membahagikan set data yang diberikan ke kluster k . Algoritma ini melakukan operasi berikut:

Pilih k item rawak dari dataset dan labelkannya sebagai wakil kluster.
Bersekutu setiap item yang tinggal di dalam dataset dengan wakil cluster terdekat, menggunakan jarak Euclidean yang dikira oleh fungsi kesamaan.
Kira semula wakil kelompok baru.
Ulangi Langkah 2 dan 3 sehingga kluster tidak berubah.

Perwakilan kumpulan adalah matematik bermakna (purata) semua item yang tergolong dalam kelompok yang sama. Perwakilan ini juga dikenali sebagai cluster centroid . Sebagai contoh, pertimbangkan tiga perkara dari dataset buah di mana

Jenis 1 sepadan dengan pisang.

Jenis 2 sepadan dengan epal.

Warna 2 sepadan dengan kuning.

Warna 3 sepadan dengan hijau.

Dengan mengandaikan bahawa item-item ini ditugaskan ke kluster yang sama, centroid tiga item ini dikira.

Item	Ciri # 1 Jenis	Ciri # 2 Warna	Ciri # 3 Berat (Auns)
1	1	2	5. 33
2	2	3	9. 33
3	1	2	2. 1

Berikut adalah perhitungan wakil kluster tiga perkara yang tergolong dalam kelompok yang sama. Perwakilan kluster adalah vektor tiga sifat. Atributnya adalah purata sifat-sifat item dalam kluster yang dipersoalkan.

Item	Ciri # 1 Jenis	Ciri # 2 Warna	Ciri # 3 Berat (Auns)
1	1	2	5. 33
2	2	3	9. 33
3	1	2	2. 1
Perwakilan Cluster (Centroid Vector)	(1 + 2 + 1) / 3 = 1. 33	(2 + 3 + 2) / 3 = 2. 33	(5. 33 + 9. 33 +32. 1) / 3 = 3

Dataset yang ditunjukkan seterusnya terdiri daripada tujuh penarafan dua produk pelanggan, A dan B. Kedudukan mewakili bilangan mata antara 0 dan 10) yang setiap pelanggan telah diberikan kepada produk - lebih banyak mata diberikan, semakin tinggi produk itu disenaraikan.

Menggunakan algoritma K-berarti dan mengandaikan bahawa k sama dengan 2, dataset akan dibahagikan kepada dua kumpulan. Selebihnya tatacara seperti ini:

Pilih dua item rawak dari dataset dan labelkannya sebagai wakil kluster.

Berikut menunjukkan langkah awal memilih centroid rawak dari mana proses clustering K-bermula.Centroid permulaan dipilih secara rawak dari data yang akan anda analisa. Dalam kes ini, anda sedang mencari dua kluster, jadi dua item data dipilih secara rawak: Pelanggan 1 dan 5.

Pada mulanya, proses kluster membina dua kluster di sekitar kedua-dua wakil kluster awal (dipilih secara rawak). Kemudian wakil kelompok dikira semula; pengiraan adalah berdasarkan item dalam setiap cluster.

2	2	2
3	4	3 < 6
8	4	7
10	5	10
14	6	9
10	7	7
9	Periksa setiap item (pelanggan) yang lain dan serahkannya kepada wakil kluster yang paling hampir sama.	Gunakan jarak
Euclidean	untuk mengira berapa item yang serupa dengan sekumpulan item:	Kesamaan Item I ke Cluster X = sqrt {{{left ({{f_1} - {x_1 }} kanan)} ^ 2} + {{left ({{f_2} - {x_2}} kanan)} ^ 2} + cdots + {{left ({ }

Nilai {f_1},; {f_2},; ldots,; {f_n} adalah nilai berangka ciri yang menggambarkan item yang dipersoalkan. Nilai {x_1},; {x_2},; ldots,; {x_n} adalah ciri (nilai min) wakil kluster (centroid), dengan asumsi bahawa setiap item mempunyai ciri

n . Sebagai contoh, pertimbangkan item yang disebut Customer 2 (3, 4): Penarafan pelanggan untuk Produk A adalah 3 dan penarafan untuk Produk B ialah 4. Ciri wakil kelompok adalah (2, 2). Kesamaan Pelanggan 2 hingga Kluster 1 dikira seperti berikut: Kesamaan Item 2 hingga Kluster 1 = sqrt {{{left ({3 - 2} kanan)} ^ 2} + {{left ({4 - 2 } 2. 2 23

Berikut adalah proses yang sama seperti Cluster 2:

Similarity of Item 2 hingga Cluster 2 = sqrt {{{left ({3 - 10} right) } ^ 2} + {{left ({4 - 14} right)} ^ 2}} = 12. 20 Membandingkan hasil ini, anda memperuntukkan Item 2 (yaitu, Pelanggan 2) Perkara 2 lebih serupa dengan Cluster 1. Guna analisis kesamaan yang sama kepada setiap item lain dalam dataset.

Setiap kali ahli baru menyertai kumpulan, anda mesti mengira semula wakil kluster.

Ini menggambarkan hasil lelaran pertama algoritma K-mean. Perhatikan bahawa

k

sama dengan 2, jadi anda mencari dua kluster, yang membahagikan satu set pelanggan menjadi dua kumpulan yang bermakna. Setiap pelanggan dianalisis secara berasingan dan ditugaskan ke salah satu kluster berdasarkan kesamaan pelanggan kepada setiap wakil cluster semasa.

Galakkan dataset sekali lagi, melalui setiap elemen; mengira keserupaan antara setiap unsur dan wakil cluster semasa.
Perhatikan bahawa Pelanggan 3 telah berpindah dari Kluster 1 ke Kluster 2. Ini kerana jarak Pelanggan 3 ke wakil kluster Cluster 2 lebih dekat daripada kepada wakil cluster Cluster 1.

Representasi Kluster (Centroid Vector) < Cluster 1

ID Pelanggan # 1 (2, 2) Cluster 2 ID Pelanggan # 5 (10, 14)

Iteration # 1

Cluster Pelanggan 1 < 2

Pelanggan yang akan diperiksa
ID Pelanggan milik Kluster 1	Perwakilan Kluster
ID Pelanggan milik Kluster 1	Perwakilan Kluster

1	(2, 2) > 5	(10, 14)
2	1, 2	(2.4, 3)	5	(10, 14)
3	1, 2, 3	14)	4
1, 2, 3	(3.6, 4. 6)	4, 5	(8.4, 12)	6
1, 2, 3	(3 6, 4. 6)	4, 5, 6	(8.6, 11.4)	7
1, 2, 3 > (3.6, 4. 6)	4, 5, 6, 7	(8, 2, 10. 8)	Berikut adalah lelaran kedua algoritma K-berarti pada data pelanggan. Setiap pelanggan sedang dianalisis semula. Pelanggan 2 ditugaskan ke Kluster 1 kerana Pelanggan 2 lebih dekat dengan wakil Cluster 1 daripada Kluster 2. Senario yang sama berlaku kepada Pelanggan 4. Perhatikan bahawa wakil kelompok sedang dikira semula setiap kali seorang anggota baru ditugaskan ke kelompok.	Iteration # 2
Cluster Pelanggan 1	Cluster Pelanggan 2	Pelanggan untuk diperiksa	ID Pelanggan milik Cluster 1	Perwakilan Cluster
ID Pelanggan milik Cluster 2 > Perwakilan Cluster	1	1	(3. 6, 4. 6)	5