Klasterizimi

Klasterizimi është një nënfushë e të mësuarit pa udhëzues që synon të ndajë një fond të të dhënave në grupe të ngjashme, të quajtura klastera. Qëllimi është të zbulohet strukturë apo modelet e fshehura në të dhëna pa etiketim paraprak. Në këtë proces, anëtarët e të njëjtit klaster janë të ngjashëm me njëri-tjetrin më shumë se sa me anëtarët e klasterëve të tjerë.

Llojet kryesore përfshijnë klasterizimin i ashpër dhe i butë, si dhe metodat hierarkike. Në klasterizimin ashpër, çdo vlerë i takon një klaster të vetëm; në klasterizimin i butë, një vlerë mund të ketë përfaqësim probabilitik për më shumë se një klaster. Mes metodave të përhapura janë K-means, klasterizimi hierarkik (agglomerativ dhe divisiv), DBSCAN dhe modelet me përzierje Gaussiane (GMM).

Procesi tipik përfshin përgatitjen e të dhënave, zgjedhjen e një algoritmi dhe përcaktimin e numrit të klasterëve kur është e nevojshme. Distancat dhe probabilitetet luajnë rol; mund të kërkohet shkallëzimi i të dhënave dhe trajtimi i të dhënave jashtë rregullit. Pas aplikimit, rezultatet vlerësohen me mjete si skori Silhouette, indeksi Davies-Bouldin dhe indeksi Calinski-Harabasz. Interpretimi i klasterëve lidhet me kontekstin e domene.

Aplikimet përfshijnë segmentimin e imazheve dhe videove, segmentimin e tregjeve të klientëve, analitikën në bioinformikë (për shembull, qelizat ose gjene), dhe studimet e të dhënave sociale. Sovraniteti i numrit të klasterëve, shkallëzimi i të dhënave, zgjedhja e metricës së ngjashmërisë dhe trajtimi i të dhënave jo të strukturuara janë sfida të përbashkëta në praktika të ndryshme.