الگوریتم K_means & knn
اسلاید 1: الگوریتمK _means & knnپاییز1396
اسلاید 2: فهرست مطالبمقدمهخوشه بندیالگوریتم k_meansخوشه بندی فازیمفاهیم اولیهknnانواع کلاس بندیروال کلی knnمعیارهای ارزیابی برای انتخاب k منابع2
اسلاید 3: مقدمه خوشه بندی یکی از بهترین روشهایی است که برای کار با داده ها ارائه شده است. هدف تقسیم داده به گروههای مختلف است k-NNساده ترین و متداولترین روش برپایه یادگیری نمونه است.هدف ازkتعداد همسایه ها در نظر گرفته شده است.همسایه ها برمبنای فواصل اقلیدسی استاندارد تعیین می شوند.3
اسلاید 4: خوشه بندی چیست؟یکی از شاخه های یادگیری بدون نظارت می باشد.فرآیند خودکاری است که در طی آن، نمونه ها به دسته هایی که اعضای آن مشابه یکدیگرباشند تقسیم می شوند.خوشه مجموعه ای از اشیاء می باشد که در آن اشیاء با یکدیگر مشابه بوده و با اشیاء موجود در خوشه های دیگر غیر مشابه می باشند.4خوشه بندی نمونه های ورودی
اسلاید 5: هدف از خوشه بندی چیست؟هدف تقسیم داده به گروههای مختلف است.یافتن خوشه های مشابه از اشیاء در بین نمونه های ورودی می باشد .یکی از مسایل مهم در خوشه بندی انتخاب تعداد خوشه ها می باشد5
اسلاید 6: الگوریتمk_means ۱- ایجاد مراکز اولیه خوشه ها از بین کلیه نقاط داده.۲- محاسبه فاصله هر یک از نقاط داده ها تاهر یک از مراکز خوشه که در مرحله ۱ تعیین شده اند.۳- تخصیص همه ی نقاط به یک مرکز خوشه.4- بهینه سازی مراکز اولیه در هر خوشه.۵- بازگشت به مرحله ۲6
اسلاید 7: مثال:7{2,4,10,12,3,20,30,11,25} k=2 m1=3,m2=4 K1={2,3}, K2={4,10,12,20,30,11,25} m1=2.5,m2=16 K1={2,3,4},K2={10,12,20,30,11,25} m1=3,m2=18 K1={2,3,4,10},K2={12,20,30,11,25} m1=4.75,m2=19.6 K1={2,3,4,10,11,12},K2={20,30,25} m1=7,m2=25
اسلاید 8: الگوریتم خوشه بندی c میانگین:مشابه الگوریتم c میانگین کلاسیک تعداد خوشه ها (c) از قبل مشخص شده است.تابع هدف این الگوریتم :8
نقد و بررسی ها
هیچ نظری برای این پاورپوینت نوشته نشده است.