Klasterlash algoritmlari nima?

AHC ning afzalliklari:

• 
  AHC ni amalga oshirish oson, u ob'ektni tartiblashni ham ta'minlaydi, bu esa displey uchun ma'lumot berishi mumkin.
  
• 
  Biz klasterlar sonini oldindan belgilashimiz shart emas. Muayyan darajada dendrogrammani kesish orqali klasterlar sonini aniqlash oson.
  
• 
  AHC yondashuvida ma'lumotlarning o'xshashligini aniqlashi mumkin bo'lgan kichikroq klasterlar yaratiladi.
  

AHC ning kamchiliklari:

• 
  Dastlabki bosqichlarda noto'g'ri guruhlangan ob'ektlarni qaytarib bo'lmaydi.
  

• 
  Ierarxik klasterlash algoritmlari ma'lumotlar to'plamining yagona bo'linishini ta'minlamaydi, lekin ular klasterlarni tanlash mumkin bo'lgan ierarxiyani beradi. 
  
• 
  Ular tashqi ko'rsatkichlarga yaxshi munosabatda bo'lmaydilar . Har safar chetlab o'tishlar topilsa, ular yangi klasterga aylanadi yoki ba'zan boshqa klasterlar bilan birlashishiga olib keladi.
  

Aglomerativ ierarxik klaster algoritmi pastdan yuqoriga klasterlash shakli bo'lib, bu erda har bir ma'lumot nuqtasi klasterga tayinlanadi. Keyin bu klasterlar bir-biriga ulanadi. Shunga o'xshash klasterlar har bir iteratsiyada barcha ma'lumotlar nuqtalari bitta katta ildiz klasterining bir qismi bo'lmaguncha birlashtiriladi.
Klasterlash ma'lumotlar to'plami
Scikit-learn orqali Pythonda klasterlashni boshlash juda oddiy. Kutubxona o'rnatilgandan so'ng, turli xil klaster algoritmlarini tanlash mumkin.
Turli klasterlash algoritmlaridan foydalanishni koʻrsatish uchun ʻ sklearn ʻ kutubxonasidan maʼlumotlar toʻplamini yaratish uchun ʻ make_classification ʻ funksiyasidan foydalanamiz. ` make_classification ` funksiyasi quyidagi argumentlarni qabul qiladi:

• 
  Namuna soni.
  
• 
  Xususiyatlarning umumiy soni.
  
• 
  Ma'lumot beruvchi xususiyatlar soni.
  
• 
  Ortiqcha xususiyatlar soni.
  
• 
  Ortiqcha va informatsion xususiyatlardan tasodifiy olingan takroriy xususiyatlar soni.
  
• 
  Bir sinf uchun klasterlar soni.
  

numpy importdan qaerda
numpy importidan noyob
sklearn.datasets