Mavzu: Mashinali o‘qitishda o‘qituvchisiz o‘qitish algoritmlarini o’qitish va ularni dasturlash Ishdan maqsad

 
Misollar va foydalanish holatlari 
Izlanishli tahlil va o'lchovlarni qisqartirish - bu o'qituvchisiz o'qitish uchun 
eng keng tarqalgan usullardan biri. 
Algoritmlar ilgari noma'lum bo'lgan namunalarni aniqlash uchun 
ishlatiladigan 
eksperimental 
tahlil 
bir 
qator 
korporativ 
dasturlarga 
ega. Masalan, korxonalar 
kashfiyot 
tahlilidan 
foydalanib , 
mijozlarni 
segmentatsiyalash harakatlarining boshlanish nuqtasi sifatida foydalanishlari 
mumkin . 
O’lchamlilikni 
kamaytirishda 
algoritmlar 
ma'lumotlar 
to'plamidagi 
o'zgaruvchilar yoki xususiyatlar sonini (ya'ni o'lchamlarni) kamaytiradi, shunda
turli maqsadlar uchun tegishli xususiyatlarga qaratilishi mumkin. Ba'zi ekspertlar 
buni o'lchovni qisqartirish shovqinli ma'lumotlarni olib tashlash bilan 
izohlashadi. (Mashinasozlik bo'yicha muhandislar bu ishni bajarish uchun 
ko'pincha 
yashirin 
o'zgaruvchan 
modelga 
asoslangan 
algoritmlardan 
foydalanadilar.) Masalan, tashkilot fonni qisqartirish orqali quyuq tasvirlarni o'qish 
uchun o'lchovni kamaytirishdan foydalanishi mumkin. 
Bundan tashqari, tashkilotlar quyidagi dasturlar uchun O'qituvchisiz 
o’qitishdan foydalanishlari mumkin: 

algoritmlar ma'lumotlar to'plamidagi g'ayrioddiy ma'lumotlar nuqtalarini 
aniqlay oladigan klasterli anomaliyani aniqlash, xususan firibgarlik faoliyati yoki 
odamlarning xatolari yoki nosoz mahsulotlari uchun foydalidir; va 

algoritmlar ma'lumotlar nuqtalari o'rtasida birlashmalarni topadigan 
assotsiatsiyani qazib olish, masalan, chakana sotuvchilar ko'pincha qanday 
mahsulotlarni birgalikda sotib olishlarini aniqlashda foydalanishi mumkin. 
K-Means algoritmi tahlili. 
K- means usuli (inglizcha k- means) - naibole usulida klasterlash usuli. Ushbu 
ixtiro 1950 yillarda matematik Ugo Shtaynxaus tomonidan ixtiro qilingan va 

---

deyarli bir vaqtning o'zida Styuart Lloyd tomonidan nashr etilgan. Asosiy g'oya 
shundan iboratki, har bir takrorlanishda massa markazi oldingi bosqichda olingan 
har bir klaster uchun qayta hisoblab chiqiladi, so'ngra vektorlar yana yangi 
markazlarning qaysi biri tanlangan metrikaga yaqin bo'lishiga qarab yana 
klasterlarga bo'linadi.
Nazorat qilinmaydigan k-vositalari algoritmi k-ga eng yaqin qo'shni 
klassifikatori bilan yaxshi aloqaga ega, bu nom tufayli k-vositalar bilan tez-tez 
aralashib ketadigan, tasniflash uchun mashhur nazorat ostida mashinalarni 
o'rganish texnikasi. K-vositalari yordamida olingan klaster markazlariga 1 ta eng 
yaqin qo'shni klassifikatorini qo'llash yangi ma'lumotlarni mavjud klasterlarga 
ajratadi. Bu eng yaqin santroid klassifikatori yoki Rocchio algoritmi sifatida 
tanilgan.
Standart algoritm k-means
Eng keng tarqalgan algoritmda takroriy takomillashtirish texnikasi 
qo'llaniladi. Hamma joyda mavjud bo'lganligi sababli, ko'pincha "k-vositalari 
algoritmi" deb nomlanadi; u Lloyd algoritmi deb ham ataladi, ayniqsa kompyuter 
fanlari hamjamiyatida. Ba'zan uni "sodda k-vositalar" deb ham atashadi, chunki bu 
erda tezroq alternativalar mavjud.
Tez-tez ishlatiladigan boshlang'ich usullari Forgy va Random Partition.
Forgy usuli tasodifiy ma'lumotlar to'plamidan k ta kuzatuvlarni tanlaydi va ularni 
dastlabki vosita sifatida ishlatadi. Tasodifiy bo'lim birinchi navbatda tasodifiy 
ravishda har bir kuzatuvga klasterni tayinlaydi, so'ngra yangilash bosqichiga o'tadi 
va shu bilan boshlang'ich o'rtacha hisoblab, klasterning tasodifiy tayinlangan 
nuqtalari markazida bo'ladi. Forgy usuli dastlabki vositalarni tarqatishga intiladi, 
Random Partition esa ularning hammasini ma'lumotlar to'plamining markaziga 
yaqinlashtiradi. Hamerli va boshqalarning fikriga ko'ra tasodifiy bo'linish usuli 
odatda k-harmonik vositalar va loyqa k-vositalar kabi algoritmlar uchun 
afzalroqdir. Kutishni maksimal darajaga ko'tarish va standart k-algoritmlari uchun 
"Forgy" ishga tushirish usuli afzalroqdir. Celebi va boshqalarning tomonidan 
o'tkazilgan keng qamrovli tadqiqoti shuni ko'rsatdiki, Forgy, Random Partition va 
Maximin kabi ommalashtirish usullari tez-tez yomon ishlaydi, Bredli va 
Fayyodning yondashuvi "eng yaxshi guruh" da "izchil" ishlaydi. va k-vositalari ++ 
"umuman yaxshi" ishlaydi.
K-vositalari algoritmi amalga oshirishning oson usulini quydagicha bo’lishi 
mumkin. Ommaboplikning sabablari k-vositalarining oson va soddaligi, 
ko'lamliligi, yaqinlashish tezligi va siyraklikka moslashuvchanligi ma'lumotlar.
K-o'rtacha algoritmini gradient tushish deb hisoblash mumkin. Klasterli
tsentroidlarni boshlashdan boshlanadigan protsedura va maqsadni kamaytirish 
uchun ushbu sentroidlarni takroriy ravishda yangilaydi qismdagi funktsiya. K-

---

vositalari har doim mahalliyga yaqinlashadi eng kam. Topilgan ma'lum mahalliy 
minimum quyidagiga bog'liq boshlang'ich klasterlar. Globalni topish muammosi 
minimal NP bilan to'ldirilgan. Algoritm k-vositalari yangilanadi mahalliy minimal 
darajaga qadar klasterli tsentroidlar. 1-rasmda ko'rsatilgan k-vositalari 
algoritmining umumlashtirilgan psevdokodlari; va an'anaviyk-degan ma'noni 
anglatadi algoritmi shakl.
K-algoritmi yaqinlashguncha masofa hisob-kitoblar bir qator bajarilayotganda 
amalga oshiriladi oxirgi marta, l qiymatini ayting, bu erda l musbat butun son 
sifatida tanilgan k-takrorlashlar soni. L ning aniq qiymati o'zgaradi boshlang'ich 
boshlang'ich klasteriga qarab ham bir xil ma'lumotlar to'plami. Shunday qilib. Ning 
hisoblash vaqtining murakkabligi algoritmi O (nkl), bu erda n - ob'ektlarning 
umumiy soni ma'lumotlar to'plami, k - biz aniqlagan klasterlarning kerakli soni va l 
- takrorlash soni Eng taniqli va mashhur klasterlash algoritmi:
Taxminiy dastlabki klaster markazlari tanlaymiz.
Iteratsiya:
Har bir misolni eng yaqin markazga belgilang / klasterlang
Klasterdagi nuqtalarning o'rtacha qiymati sifatida markazlarni qayta hisoblang 
K-means: Misol:
1-rasm.K-means: Markazlarni tasodifiy ravishda tanlash 
2-rasm. K-means: markazga eng yaqinligi bo’yicha guruhlash 
3-rasm. K-means: markazlarni qayta sozlash 

---

4-rasm. K-means: markazga eng yaqinligi bo’yicha guruhlash 
5-rasm. K-means: markazlarni qayta sozlash 
6-rasm. K-means: markazga eng yaqinligi bo’yicha guruhlash 
7-rasm. K-means: markazlarni qayta sozlash 
8-rasm. K-means: markazga eng yaqinligi bo’yicha guruhlash 

---

9-rasm. K-means: Markazlarni aniqlash 
10-rasm. K-means: Markazdan eng uzoq nuqtani aniqlash 
K-vositalarni klasterlash usuli bu ma'lumotlar to'plamidagi ma'lumotlar 
ob'ektlarining klasterlarini aniqlash uchun foydalaniladigan nazoratsiz mashinani 
o'rganish texnikasi. Klasterlash usullarining xilma-xil turlari mavjud, ammo k-
vositalari eng qadimgi va eng qulay usullardan biridir. Ushbu xususiyatlar, hatto 
boshlang'ich dasturchilar va ma'lumot olimlari uchun ham Python-da k-vositalarini 
klasterlashni amalga oshirishga imkon beradi.
11-rasm. K-means: Markazlarni aniqlash 
Agar siz Python-da k-vositalari klasterini qanday va qachon amalga oshirishni 
bilishni xohlasangiz, unda bu to'g'ri joy. Biz Python yordamida k-vositalari 
klasterining oxiridan oxirigacha, ma'lumotlarni oldindan qayta ishlashdan 
natijalarni baholashgacha yuritamiz. 
Agar yangi hosil bo'lgan klasterlarning sentroidlari o'zgarmasa, algoritmni 
to'xtatishimiz mumkin. Bir necha marta takrorlangandan keyin ham, agar biz 
barcha klasterlar uchun bir xil sentroidlarni olsak, algoritm hech qanday yangi 
namunani o'rganmayapti va bu mashg'ulotni to'xtatish belgisidir. 
Agar takrorlash algoritmini o'rgatgandan keyin ham ballar bir xil klasterda 
qolsa, biz mashg'ulot jarayonini to'xtatishimiz kerak bo'lgan yana bir aniq belgi. 
Va nihoyat, takroriy takrorlashning maksimal soniga erishilsa, mashg'ulotni 
to'xtatishimiz mumkin. Deylik, agar biz takrorlanishlar sonini 100 deb belgilagan 
bo'lsak. Jarayon to'xtashdan oldin 100 marta takrorlanadi.