Shlukování (Clustering)

Shlukování (nebo také clustering) je metoda 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.

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).

Nejrozšířenější algoritmus. Rozděluje data do předem určeného počtu shluků (K).

1. 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.
2. Výhody: Velmi rychlý a efektivní.
3. Nevýhody: Nutnost předem znát počet shluků K, citlivost na odlehlé hodnoty.

Hledá oblasti s vysokou hustotou bodů, které jsou odděleny oblastmi s nízkou hustotou.

1. Jak funguje: Seskupuje body, které mají v určitém okolí dostatečný počet sousedů.
2. Výhody: Dokáže najít shluky libovolného tvaru (ne jen kruhové) a automaticky identifikuje šum (body, které nepatří nikam).
3. Nevýhody: Špatně funguje u dat s výrazně odlišnou hustotou v různých částech.

Vytváří stromovou strukturu shluků (dendrogram).

1. Aglomerativní: Začne s každým bodem jako samostatným shlukem a postupně ty nejbližší spojuje.
2. Divizivní: Začne se všemi body v jednom shluku a postupně je dělí.
3. Výhoda: Názorná vizualizace vztahů mezi daty.

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).

• 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.

• 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:

• Metriky vzdálenosti v ML
• Učení bez učitele
• Redukce dimenzionality (PCA)

Tagy: ai ml clustering k-means dbscan unsupervised_learning