====== Shlukování (Clustering) ======

**Shlukování** (nebo také clustering) je metoda [[it:ml:unsupervised_learning|učení bez učitele]], která spočívá v rozdělování datových objektů do skupin (shluků) tak, aby si objekty uvnitř jedné skupiny byly co nejvíce podobné, zatímco objekty z různých skupin byly co nejvíce odlišné.

Na rozdíl od klasifikace zde nemáme předem definované třídy. Algoritmus hledá přirozené hranice v datech na základě jejich vlastností.



===== 1. Základní principy měření podobnosti =====

Aby mohl algoritmus shlukovat, musí umět změřit "vzdálenost" mezi dvěma body. Nejčastěji se používají:
  * **Euklidovská vzdálenost:** Přímá vzdálenost mezi dvěma body v prostoru (vhodná pro numerická data).
  * **Manhattanská vzdálenost:** Součet absolutních rozdílů souřadnic (cesta městem s pravoúhlými ulicemi).
  * **Kosinová podobnost:** Měří úhel mezi dvěma vektory (často používaná u textových dat).

===== 2. Klíčové algoritmy shlukování =====

==== A. K-Means (K-středy) ====
Nejrozšířenější algoritmus. Rozděluje data do předem určeného počtu shluků (**K**).
  - **Jak funguje:** Náhodně zvolí K středů (centroidů). Každý bod přiřadí k nejbližšímu středu. Poté středy přepočítá jako průměr přiřazených bodů a proces opakuje, dokud se středy nepřestanou hýbat.
  - **Výhody:** Velmi rychlý a efektivní.
  - **Nevýhody:** Nutnost předem znát počet shluků K, citlivost na odlehlé hodnoty.

==== B. DBSCAN (Hustotní shlukování) ====
Hledá oblasti s vysokou hustotou bodů, které jsou odděleny oblastmi s nízkou hustotou.
  - **Jak funguje:** Seskupuje body, které mají v určitém okolí dostatečný počet sousedů.
  - **Výhody:** Dokáže najít shluky libovolného tvaru (ne jen kruhové) a automaticky identifikuje šum (body, které nepatří nikam).
  - **Nevýhody:** Špatně funguje u dat s výrazně odlišnou hustotou v různých částech.

==== C. Hierarchické shlukování ====
Vytváří stromovou strukturu shluků (dendrogram).
  - **Aglomerativní:** Začne s každým bodem jako samostatným shlukem a postupně ty nejbližší spojuje.
  - **Divizivní:** Začne se všemi body v jednom shluku a postupně je dělí.
  - **Výhoda:** Názorná vizualizace vztahů mezi daty.



===== 3. Jak určit správný počet shluků (K)? =====

U algoritmů jako K-Means je určení správného počtu skupin největší výzvou. Používají se dvě hlavní metody:

  1. **Loketní metoda (Elbow Method):** Graficky znázorníme součet čtverců vzdáleností bodů od středů. Tam, kde se křivka prudce ohne ("loket"), je ideální počet shluků.
  2. **Siluetový koeficient (Silhouette Score):** Měří, jak dobře bod zapadá do svého shluku ve srovnání s ostatními shluky. Hodnota se pohybuje od -1 do 1 (čím vyšší, tím lépe).

===== 4. Praktické využití v IT a byznysu =====

  * **Marketing:** Segmentace zákazníků pro personalizované kampaně.
  * **Zpracování obrazu:** Kvantování barev (snížení počtu barev v obrázku při zachování vzhledu).
  * **Sociální sítě:** Identifikace komunit se společnými zájmy.
  * **Biologie:** Seskupování genů nebo organismů s podobnými vlastnostmi.

===== 5. Úskalí a omezení =====

  * **Prokletí dimenzionality:** Ve velmi vysokých dimenzích (mnoho sloupců dat) se vzdálenosti mezi všemi body stávají téměř stejnými, což shlukování ztěžuje.
  * **Škálování dat:** Protože většina algoritmů závisí na vzdálenosti, je nutné data předem normalizovat (např. aby výška v metrech neměla menší váhu než váha v gramech).

----
//Související články://
  * [[it:ml:distance_metrics|Metriky vzdálenosti v ML]]
  * [[it:ml:unsupervised_learning|Učení bez učitele]]
  * [[it:ml:pca|Redukce dimenzionality (PCA)]]

//Tagy: {{tag>ai ml clustering k-means dbscan unsupervised_learning}}//