Klasterinė analizė

Taikydami klasterinę analizę, nustatome objektų panašumą ir suskirstome juos į klasterius.
Klasteris – panašių objektų grupė. Klasterinės analizės tikslas – suskirstyti objektus taip, kad skirtumai
klasterių viduje būtų kuo mažesni, o tarp klasterių – kuo didesni.
Skirstydami objektus į klasterius dažniausiai nežinome, kiek klasterių tiriamoje populiacijoje
realiai egzistuoja (ir ar išvis egzistuoja). Todėl tam tikra prasme klasterinė analizė yra egzistuojančių
struktūrų paieška. Konkretaus metodo parinkimas, rezultatų interpretacija priklauso tik nuo tyrėjo.
Klasterizuojant turime pereiti 5 etapus:
1. Pasirinkti klasterizuojamus objektus;
2. Nuspręsti pagal kokius požymius klasterizuosime;
3. Pasirinkti kiekybinį matą, kuriuo matuosime objektų panašumą;
4. Vienu ar kitu metodu suskirstyti objektus į klasterius;
5. Peržiūrėti gautus rezultatus.
Klasterizuojamų objektų ir klasterizavimo požymių parinkimą lemia konkretaus tyrimo tikslai ir
uždaviniai. Visais atvejais skirstymas į klasterius prasideda tada, kai jau turime objektų aibę ir
kiekvieną objektą aprašančių skaitinių rodiklių aibę. Toliau svarbu pasirinkti kiekybinio panašumo
matą. Nuo pasirinkto mato priklauso klasterizacijos rezultatai. Turėdami kiekybinio panašumo matą,
galime pasakyti, kurios objektų poros yra panašesnės. Klasterizacijos metodas leidžia nustatyti
principus, pagal kuriuos sudaromi klasteriai, ir atsakyti į klausimą ką reiškia klasterių panašumas.
Suskirstę objektus į klasterius, dar turime patikrinti, ar gauti rezultatai neprieštarauja sveikam protui.
Reikia atsiminti jog klasterizuojant:
Visada kyla sunkumų vertinant imties reprezantatyvumą, rezultatų statistinį reikšmingumą;
Klasterinės analizės metodai naudojami įvairioms sritims, todėl juose yra nemažai
specifiškumų. Tiems patiems duomenims taikydami skirtingus klasterinės analizės metodus galime
gauti skirtingus rezultatus.

Žymos:

6 atsakymai to “Klasterinė analizė”

  1. nathalija Says:

    Labai vertinga analizė ir iš tikrųjų yra naudojama daugelyje sričių, nes kiekvienos srities tyrinėtojai iškelia bendrą klausimą: kaip stebimuosius duomenis organizuoti į vaizdines struktūras. Todėl, iš ėsmės, klasterinė analizė, tai visokių klasifikacijos algoritmų rinkinys.

  2. raivydas Says:

    Toks vaizdas, kad klasterinėje analizėje labai daug priklauso nuo paties tyrėjo. Pavyzdžiui, daug priklauso nuo to, kokius objektų požymius tyrėjas nustato kaip svarbius. Taigi klastarinė analizė yra gana subjektyvus dalykas.

  3. auzi22 Says:

    Taip, tiesa. Klasterinė analizė būtent tai ir yra. Daug kas priklauso nuo tyrėjo. Kita vertus, jei tyrėjas yra savo darbo profesionalas(o idealiu atveju taip ir turėtų būti), klasterinė analizė leidžia lengviau apdoroti duomenis ir tyrimą tik palengvina. Bet tyrėjas turi būti labai patyręs ir objektyvus.

  4. alei6414 Says:

    Manau, bet kuriame tyrime labai daug priklauso nuo tyrėjo. Jau vien tyrimo metodikos parinkimas turi labai didelės įtakos tam, kokius rezultatus mes gausime. Taigi, gerai, kad matematika bent jau tuo neužsiima.

  5. petuchovas Says:

    Jo, o gerai kur galime apsieiti isvis be matematikos) Nes jau rimtai baisu darosi, kad ji ir be musu zinios kazkur kazka daro..;) tiksliau viska, o kartu ir nieko. Cia petuchovo paradoksas:D

  6. anataskina Says:

    Skiriamos dvi pagrindinės klasterinės analizės metodų klasės:
    hierarchiniai metodai;
    nechierarchiniai metodai.
    Hierarchiniai metodai nusako klasterių tarpusavio hierarchiją, t.y. visi
    objektai laikomi vienu dideliu klasteriu, kurį sudaro mažesni klasteriai,
    šiuos savo ruožtu dar mažesni ir t.t.
    Nehierarchiniai metodai (pvz., k-vidurkių) paprastai taikomi tada, kai iš anksto žinomas (pasirenkamas) klasterių skaičius ir norima tiriamus objektus klasterizuoti.

Parašykite komentarą

Įveskite savo duomenis žemiau arba prisijunkite per socialinį tinklą:

WordPress.com Logo

Jūs komentuojate naudodamiesi savo WordPress.com paskyra. Atsijungti /  Pakeisti )

Google photo

Jūs komentuojate naudodamiesi savo Google paskyra. Atsijungti /  Pakeisti )

Twitter picture

Jūs komentuojate naudodamiesi savo Twitter paskyra. Atsijungti /  Pakeisti )

Facebook photo

Jūs komentuojate naudodamiesi savo Facebook paskyra. Atsijungti /  Pakeisti )

Connecting to %s


%d bloggers like this: