Кластеризация

Описание

Кластеризация (сегментация) — это группировка объектов (наблюдений, событий) на основе данных, описывающих свойства объектов. Объекты внутри кластера должны быть похожими друг на друга и отличаться от других, которые вошли в другие кластеры.

Компонент производит кластеризацию объектов на основе алгоритмов k-means и g-means. Основное отличие одного алгоритма от другого в том, известно ли заранее количество кластеров. Если количество кластеров известно, то применяется алгоритм k-means, в противном случае — g-means, который определяет это количество автоматически в рамках заданного интервала.

Иллюстрация работы алгоритма k-means
Рисунок 1. Иллюстрация работы алгоритма k-means

На рисунке цветом выделены отдельные кластеры и объекты, им принадлежащие.

Для получения результирующих наборов требуется предварительное обучение узла.

Порты

Вход

  • Входной источник данных (таблица данных).

Требования к принимаемым данным

Поле будет запрещено к использованию, если:

  • оно является дискретным и содержит всего одно уникальное значение;
  • оно непрерывное и с нулевой дисперсией;
  • оно содержит пропущенные значения.

Выход

  • Разбиение на кластеры (таблица данных).

Таблица, состоящая из полей:

  • Номер кластера — каждому объекту присвоен номер того кластера, в который он входит.
  • Расстояние до центра кластера — положение объекта относительно центра кластера.

  • Поля исходного набора данных (значения не изменяются).

  • Центры кластеров (таблица данных).

Центр кластера — среднее значение переменных объектов, входящих в кластер. Результат — таблица, количество записей которой соответствует числу кластеров, т.е. данные сгруппированы по кластерам. Состоит из полей:

  • Номер кластера — перечислены номера сформированных кластеров.
  • Поля исходного набора данных, в ячейках которых рассчитано среднее значение параметров.

Мастер настройки узла

Мастер настройки включает в себя следующие группы параметров:

  • Настройка входных столбцов;
  • Настройки нормализации;
  • Кластеризация.

Настройка входных столбцов

  • Выбор полей для кластеризации:
    • Для полей, участвующих в кластеризации, выставить назначение Используемое.
    • Для прочих полей оставить Не задано.

Кластеризация

  • При заданном числе кластеров:
    • Снять галочку Автоопределение числа кластеров.
    • Ввести нужное количество кластеров (должно быть больше 2). По умолчанию — 3.
  • При автоматическом определении числа кластеров:
    • Минимальное число кластеров. По умолчанию — 1.
    • Максимальное число кластеров. По умолчанию — 10.
    • Порог разделения кластеров (в интервале от 0,1 до 5). Чем больше порог разделения, тем больше кластеров будет сгенерировано при кластеризации.

Random seed — начальное число (целое, положительное), которое используется для инициализации генератора псевдослучайных чисел. Последовательность чисел генератора полностью определяется начальным числом. Если генератор повторно инициализируется с тем же начальным числом, он выдаст ту же последовательность чисел.

Параметр влияет на воспроизводимость результата обучения. Можно повторить результат обучения узла, если подать те же данные и выставить тот же random seed.

Для параметра доступны следующие команды:

  • Всегда случайно — начальное число всегда будет случайным.
  • Генерировать — сгенерируется новое начальное число.
  • Копировать — в буфер обмена будет скопировано указанное значение.