Elementary Cluster Analysis: Four Basic Methods that (Usually) Work

در دسترس بودن برنامه‌های خوشه‌بندی بسته‌بندی شده به این معنی است که هر کسی با داده‌ها می‌تواند به راحتی تجزیه و تحلیل خوشه‌ای را روی آن انجام دهد. اما بسیاری از کاربران این فناوری به طور کامل از خطرات پنهان بسیاری آن آگاهی ندارند. در دنیای امروزی «الگوریتم‌های بگیر و برو»، بخشی از انگیزه من برای نوشتن این کتاب این است که مجموعه‌ای از داستان‌های احتیاطی در مورد تجزیه و تحلیل خوشه‌ای در اختیار کاربران قرار دهم، زیرا این کتاب بسیار یک هنر و هم علم است و آسان است. لغزش کنید اگر مشکلات آن را درک نکنید. در واقع، حتی اگر این کار را بکنید، آسان است که از آنها سر بزنید! کلمه پرانتزی معمولاً در عنوان بسیار مهم است، زیرا همه الگوریتم‌های خوشه‌بندی می‌توانند هر از گاهی با شکست مواجه شوند.

تحلیل خوشه‌ای مدرن به قدری از نظر فنی پیچیده شده است که اغلب آن را پیچیده می‌کند. درک و درک خطرات پنهان بسیاری برای مبتدیان یا غیرمتخصصان دشوار است. در اینجا نحوه بیان یوگی برا آمده است، و حق با او بود:

در تئوری هیچ تفاوتی بین تئوری و عمل وجود ندارد. در عمل، ~Yogi Berra

وجود دارد این کتاب یک گام به عقب است، به چهار روش کلاسیک برای خوشه بندی در مجموعه داده های کوچک و ایستا که همگی در آزمون های زمان مقاومت کرده اند. جوانترین روش از چهار روش تقریباً 50 ساله است:

• تجزیه مخلوط گاوسی (GMD، 1898)< /li>
• خوشه‌بندی SAHN (عمدتاً پیوند واحد (SL، 1909))
• C-means ( HCM، 1956، همچنین به طور گسترده به عنوان (با نام مستعار) \"k-means\" شناخته می شود)
• فازی c-means (FCM، 1973، به HCM کاهش می یابد. در یک حد معین)

تاریخ ها اولین نوشته شناخته شده (به هر حال برای من) در مورد این چهار مدل هستند. من (با پوزش از مارول کامیکس) خیلی راحت هستم که HCM، FCM، GMD و SL را چهار شگفت‌انگیز می‌نامم.

تحلیل کلاستر یک موضوع گسترده است. تصویر کلی در خوشه بندی کاملاً طاقت فرسا است، بنابراین هرگونه تلاش برای شنا در انتهای عمیق استخر حتی در یک زیر زمینه بسیار تخصصی نیاز به آموزش زیادی دارد. اما همه ما از انتهای کم عمق شروع می کنیم (یا حداقل از اینجا باید شروع کنیم!)، و هدف این کتاب این است که به کودکان نوپا آموزش دهد که از آب نترسند. هیچ بخشی از این کتاب وجود ندارد که در صورت کاوش در عمق واقعی، نتوان آن را به حجم خود گسترش داد. بنابراین، اگر نیازهای شما برای بررسی عمیق همه آخرین پیشرفت‌ها در هر موضوعی در این جلد است، بهترین کاری که می‌توانم انجام دهم - کاری که به هر حال سعی خواهم کرد انجام دهم - این است که شما را به استخر راهنمایی کنم و به شما نشان دهم کجا باید انجام دهید. بپرید.

The availability of packaged clustering programs means that anyone with data can easily do cluster analysis on it. But many users of this technology don't fully appreciate its many hidden dangers. In today's world of "grab and go algorithms," part of my motivation for writing this book is to provide users with a set of cautionary tales about cluster analysis, for it is very much an art as well as a science, and it is easy to stumble if you don't understand its pitfalls. Indeed, it is easy to trip over them even if you do! The parenthetical word usually in the title is very important, because all clustering algorithms can and do fail from time to time.

Modern cluster analysis has become so technically intricate that it is often hard for the beginner or the non-specialist to appreciate and understand its many hidden dangers. Here's how Yogi Berra put it, and he was right:

In theory there's no difference between theory and practice. In practice, there is ~Yogi Berra

This book is a step backwards, to four classical methods for clustering in small, static data sets that have all withstood the tests of time. The youngest of the four methods is now almost 50 years old:

• Gaussian Mixture Decomposition (GMD, 1898)
• SAHN Clustering (principally single linkage (SL, 1909))
• Hard c-means (HCM, 1956, also widely known as (aka) "k-means")
• Fuzzy c-means (FCM, 1973, reduces to HCM in a certain limit)

The dates are the first known writing (to me, anyway) about these four models. I am (with apologies to Marvel Comics) very comfortable in calling HCM, FCM, GMD and SL the Fantastic Four.

Cluster analysis is a vast topic. The overall picture in clustering is quite overwhelming, so any attempt to swim at the deep end of the pool in even a very specialized subfield requires a lot of training. But we all start out at the shallow end (or at least that's where we should start!), and this book is aimed squarely at teaching toddlers not to be afraid of the water. There is no section of this book that, if explored in real depth, cannot be expanded into its own volume. So, if your needs are for an in-depth treatment of all the latest developments in any topic in this volume, the best I can do - what I will try to do anyway - is lead you to the pool, and show you where to jump in.