16-amaliy. Malumotlarni klasterizatsiya qilish usullari

16-amaliy. Malumotlarni klasterizatsiya qilish usullari
Klasterizatsiya-bu berilgan obyektlar toplamini xususiyatlari bo’yicha bir-biriga yaqin guruhlarga ajratishdir. Bunda bir biriga o’xshash obyektlar bir guruhga yig’ilishi va bu guruhlar iloji boricha bir biriga o’xshamasligi kerak. Bu guruhlar klasterlar deb ham yuritiladi. Misol uchun, quidagi rasmda berilgan obyektlar to’plamini 4 ta klasterga ajratish mumkin.
1-rasm. Obyektlar va ularni klasterlarga ajratilishi.

MATLAB tizimi Statistics Toolbox paketiningklasterizatsiyalash funksiyalari

Funktsiya nomi	Vazifasi
cluster	Klasterlarni alohida klasterlarning iyerarxik daraxt ko‘rinishad ajratish. (Linkage funktsiyasida chiqish ma‘lumotlarni guruxlash)
clusterdata	Boshlang‘ich ma‘lumotlar matritsasini klasterlarga guruxlash
cophenet	Boshlang‘ich ma‘lumotlarni klasterlarga ajratish sifati koeffitsiyentini hisoblash. (bu koeffitsiyent korrelyatsiyani koeffitsiyentiga o‘xshatish mumkin, ya‘ni qiymati qanchalik 1 ga yaqin bo‘lsa, klasterlash shunchalik aniq ajratilgan bo‘ladi)
dendrogram	Klasterlarning dendogrammasi
inconsistent	Klasterlarning iyerarxik daraxtida har bir bog‘liqligining mostushmaslik koeffitsiyentlarini hisoblash. Klasterlarni ajratish sifatini baholashda ham
kmeans	Ichki guruxlar o‘rtachalariga asoslangan klasterizatsiya
linkage	Binarli klasterlarning iyerarxik daraxtini shakllantirish
pdist	Boshlang‘ich ma‘lumotlar to‘plamidagi ob‘yektlar (vektorlar) o‘rtasidagi juft masofalarni hisoblash
silhouette	Klasterlarning siluetlari (konturlari) grafigi
squareform	pdist funktsiyasi chiqishlaridagi ma‘lumotlari vektorini simmetrik kvadrat matritsaga almashtirish

Bu funktsiyalar orqali MATLABda klasterizatsiya usullaridan uchtasining (iyerarxik usuli, k-means, Koxonen neyrotarmog‘i) dasturini tuzamiz.

1. Iyerarxik usulda klasterizatsiyalash.

   
   

861 ta satr 2 ta ustunli X matritsaga ma‘lumotlarni beramiz, ya‘ni har biri
2 elementli 861 ta vektor.

X=[11 0; 12 0; 8 0;12 0;12 0; 8 1; 14 0; 8 1; 11 1; 7 0; 12 1; ….]; Y = pdist(X); % ob’yektlar orasidagi juft masifalarni aniqlash Z = linkage(Y); % linkage(Y) funktsiyasi yordamida “yaqin qo’shni” algoritmi asosida klaster daraxtini hosil qilish cophenet(Z,Y); % sifat tavsifiga ko’ra klasterlar daraxtiga ajratish Т = cluster(Z,3) % klaster raqamini ko’rsatuvchi T vektorni hosil qilish

2. k-means algoritmi amaliy tadbiqi

data=load('maktab_data.dat'); % ma’lumot fayldan yuklandi [center,U,obj_fcn]=fcm(data,3); % klaster markazini aniqlash maxU=max(U); % massiv elementlarini indekslash index1=find(U(1,:)==maxU); index2=find(U(2,:)==maxU); index3=find(U(3,:)==maxU);

3. Koxonen neyrotarmoq usuli amaliy tadqiqi

net = newc([0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1],3 ,0.1); % 3 pog’ona w0 = net.IW{1}; b0 = net.b{1}; c0 = exp(1)./b0; tic, net.trainParam.epochs = 50; % 50 tsikl hosil qilinadi [net,TR] = train(net,P); toc w = net.IW{1}; bn = net.b{1}; cn = exp(1)./bn; Y=sim(net,P); disp(Y)

Bu usullar orqali olingan natijalar deyarli bir xil ko‘rinishda hosil qilindi.