Кластеризация K-средних — один из самых простых и известных алгоритмов машинного обучения без посторонней помощи.
Обычно в одиночных вычислениях делаются выводы из наборов данных, используя только информационные векторы, не ссылаясь на известные или отмеченные результаты.
АндрейБу, который имеет более чем 5-летний опыт работы с ИИ и в настоящее время демонстрирует людям свои способности, говорит, что «цель K-implies является основной: сгруппировать сравнительную информацию и найти скрытые примеры. Для достижения этой цели K-подразумевает поиск фиксированного числа (k) групп в наборе данных».
Связка намекает на набор информационных фокусов, собранных вместе в результате определенных сходств.
Вы охарактеризуете целевое число k, которое указывает на количество центроидов, которые вам нужны в наборе данных. Центроид — это причудливая или реальная область, обращенная к фокусу группы.
Каждая исходная точка распределяется по каждой группе за счет уменьшения количества квадратов в группе.
В конце дня вычисление K-имплицитов выделяет k числа центроидов, а затем распределяет каждое значение, чтобы выделить ближайшую группу, сохраняя при этом как можно меньше центроидов.
«Означает» в К-подразумевает усреднение информации; то есть обнаружение центроида.
Как работает алгоритм K-mean
Для обработки обучающей информации вычисление K-имплицитов при интеллектуальном анализе информации начинается с первого сбора произвольно выбранных центроидов, которые используются в качестве начальных фокусов для каждой группы, а затем выполняются итерационные (тупые) вычисления для продвижения мест центроидов.
Он перестает создавать и улучшать группы, если учесть все обстоятельства:
Центроиды осели — корректировки их качеств нет, потому что группировка была эффективной.
Охарактеризованное число ударений выполнено.
Пример проблемы алгоритма K-средних
Мы должны увидеть способы того, как K-имплицитные функции расчета ИИ с использованием языка программирования Python.
Мы воспользуемся библиотекой Scikit-learn и некоторой произвольной информацией, чтобы прояснить основные принципы группировки K-имплицитов.
Шаг 1. Импортируйте библиотеки
Шаг 2. Генерация произвольной информации
Шаг 3: Используйте Scikit-Learn
Шаг 4: Нахождение центроида
Шаг 5: Проверка алгоритма
Выбор правильного номера коллекции: -
Количество ассортиментов, которые мы выбираем для расчета, не должно быть произвольным.
Каждый ассортимент состоит из вычисления и сопоставления стандартных расстояний каждой информационной точки внутри ассортимента от его центра тяжести.
Мы можем выбрать подходящее количество ассортиментов с помощью стратегии «Сумма квадратов внутри кластера» (WCSS).
WCSS обращается к полному количеству квадратов информации, фокусируется на каждом ассортименте от его центра тяжести.
Основная идея состоит в том, чтобы уменьшить расстояние между информационными центрами и центроидными ассортиментами. Цикл составляется до тех пор, пока не придем к базовому числу расстояний.
Применение в сфере безопасности: киберпрофилирование преступников
Путь к осуждению мошенников регулярно упоминается как изучение или расследование цифровых правонарушений с профилированием правонарушений. Профили правонарушений создаются как информация о близких к дому качествах, моделях, склонностях и географических характеристиках виновной стороны (например, возраст, сексуальная ориентация, финансовое положение, обучение, район). К проверке криминального профиля будет прибавляться изучение фактических доказательств, имеющихся на месте происшествия, способ отделения разоблачения рассматриваемого лица (потерпевшего), выяснение того, как действовать (независимо от того, является ли правонарушение спланированным или спонтанным), и взаимодействие умышленно недопущенных виновных (подпись).
Новый способ работы с цифровым профилированием состоит в том, чтобы использовать k-имплицитные процедуры группирования, чтобы охарактеризовать сетевую субстанцию посредством информационных предпочтений клиентов. Эта склонность может быть расшифрована как лежащий в основе сбор информации, чтобы следующая группа показывала профили клиентов.
Создание клиента можно рассматривать из-за интересов клиента, целей, основных моментов, поведения и склонностей. Профили клиентов предназначены для данных о клиенте. Профиль клиента обращается к модели идеи, которой придерживается клиент при поиске веб-данных.
Если вам понравилась эта статья, поделитесь ею со своими друзьями и партнерами!😄
