Bazele clusterizării ierarhice

Analiza clusterelor în Python

Shaumik Daityari

Business Analyst

Crearea unei matrice de distanțe cu linkage

scipy.cluster.hierarchy.linkage(observations, 
                                method='single', 
                                metric='euclidean', 
                                optimal_ordering=False
)
  • method: modul de calcul al proximității dintre clustere
  • metric: metrica de distanță
  • optimal_ordering: ordonarea punctelor de date
Analiza clusterelor în Python

Ce metodă ar trebui utilizată?

  • 'single': bazată pe cele mai apropiate două obiecte
  • 'complete': bazată pe cele mai îndepărtate două obiecte
  • 'average': bazată pe media aritmetică a tuturor obiectelor
  • 'centroid': bazată pe media geometrică a tuturor obiectelor
  • 'median': bazată pe mediana tuturor obiectelor
  • 'ward': bazată pe suma pătratelor
Analiza clusterelor în Python

Crearea etichetelor de clustere cu fcluster

scipy.cluster.hierarchy.fcluster(distance_matrix, 
                                 num_clusters,
                                 criterion
)
  • distance_matrix: rezultatul metodei linkage()
  • num_clusters: numărul de clustere
  • criterion: modul de stabilire a pragurilor pentru formarea clusterelor
Analiza clusterelor în Python

Clusterizare ierarhică cu metoda ward

Analiza clusterelor în Python

Clusterizare ierarhică cu metoda single

Analiza clusterelor în Python

Clusterizare ierarhică cu metoda complete

Analiza clusterelor în Python

Considerații finale privind alegerea metodei

  • Nu există o metodă universal valabilă
  • Este necesară înțelegerea distribuției datelor
Analiza clusterelor în Python

Să exersăm!

Analiza clusterelor în Python

Preparing Video For Download...