Содержание
- 2. Sample Explore Modify Model Assess КОНЦЕПЦИЯ SEMMA C op yr i g h t © 2
- 3. ЧТО ЕСТЬ КЛАСТЕР? C op yr i g h t © 2 0 1 2 ,
- 4. ПРИМЕНЕНИЕ МЕТОДОВ КЛАСТЕРИЗАЦИИ В ЗАДАЧАХ АНАЛИЗА ДАННЫХ C op yr i g h t © 2
- 5. Алгоритмы кластерного анализа Кластерный анализ включает в себя более 100 различных алгоритмов классификации для организации наблюдаемых
- 6. Применение кластеризации – группировка объектов
- 7. Применение кластеризации – распознавание образов
- 8. Применение кластеризации – классификация результатов поиска
- 9. Кластерный анализ – как инструмент интегральной оценки коммерческих банков
- 10. Кластерный анализ – как инструмент интегральной оценки коммерческих банков
- 11. Кластерный анализ – как инструмент интегральной оценки коммерческих банков
- 12. Кластерный анализ – как инструмент интегральной оценки коммерческих банков
- 13. Кластерный анализ – как инструмент интегральной оценки коммерческих банков
- 14. КАЧЕСТВО КЛАСТЕРИЗАЦИИ C op yr i g h t © 2 0 1 2 , S
- 15. ИЕРАРХИЧЕСКАЯ КЛАСТЕРИЗАЦИЯ Используется только матрица сходства (различия) и не требуется дополнительных параметров (например, числа кластеров) «Пошаговое»
- 16. ПРЕДСТАВЛЕНИЕ ИЕРАРХИЧЕСКИХ КЛАСТЕРОВ - ДЕНДРОГРАММА бинарное дерево, описывающее все шаги разбиения Корень – общий кластер, листья
- 17. ИЕРАРХИЧЕСКАЯ КЛАСТЕРИЗАЦИЯ - DEMO C op yr i g h t © 2 0 1 2
- 18. УРОВНИ КЛАСТЕРИЗАЦИИ C op yr i g h t © 2 0 1 2 , S
- 19. ОЦЕНКА БЛИЗОСТИ КЛАСТЕРОВ Расчет расстояния на основе попарных расстояний между элементами различных кластеров: Полное связывание: наибольшее
- 20. C op yr i g h t © 2 0 1 2 , S A S
- 21. КЛАСТЕРИЗАЦИЯ НА ОСНОВЕ СТРОГОЙ ГРУППИРОВКИ (PARTITIONING): Основная задача: Найти такое разбиение C исходного множества X из
- 22. МЕТОД K-MEANS В ENTERPRISE MINER Шаг 0. Инициализация: произвольное разбиение на заданное число кластеров K (где
- 23. АЛГОРИТМ КЛАСТЕРИЗАЦИИ K-MEANS Training Data Выбор переменных. Выбор k центров кластеров. Выбор ближайшего центра для каждого
- 24. АЛГОРИТМ КЛАСТЕРИЗАЦИИ K-MEANS Training Data Выбор переменных. Выбор k центров кластеров. Выбор ближайшего центра для каждого
- 25. Training Data ... C op yr i g h t © 2 0 1 2 ,
- 26. Training Data ... C op yr i g h t © 2 0 1 2 ,
- 27. Training Data АЛГОРИТМ КЛАСТЕРИЗАЦИИ K-MEANS ... C op yr i g h t © 2 0
- 28. Training Data ... C op yr i g h t © 2 0 1 2 ,
- 29. Training Data Выбор переменных. Выбор k центров кластеров. Выбор ближайшего центра для каждого примера. Пересчет центров.
- 30. Training Data ... C op yr i g h t © 2 0 1 2 ,
- 31. Training Data АЛГОРИТМ КЛАСТЕРИЗАЦИИ K-MEANS ... C op yr i g h t © 2 0
- 32. Training Data ... C op yr i g h t © 2 0 1 2 ,
- 33. Training Data ... C op yr i g h t © 2 0 1 2 ,
- 34. Training Data Выбор переменных. Выбор k центров кластеров. Выбор ближайшего центра для каждого примера. Пересчет центров.
- 35. Training Data ... C op yr i g h t © 2 0 1 2 ,
- 36. ОПРЕДЕЛЕНИЕ ЧИСЛА КЛАСТЕРОВ • • SAS Cubic Clustering Criterion (CCC) (Sarle, 1983) Основная идея: сравнение R2
- 38. Скачать презентацию