Кластерный анализ в действии

Здесь мы изучаем и реализуем различные алгоритмы кластерного анализа и проверяем их эффективность

Исследуемые алгоритмы

• K-средних
• Нейронная сеть Кохонена (Сети векторного квантования)

Теория

Расчеты по методу K-средних

1. выбрать число кластеров N
2. выбрать исходные центры кластеров
3. Пересчитать центры кластеров

• Для каждого кластера выполнить:

for (i=0; i< dimensions; i++)
{
    centroid[i] += point[i];	
    pointsInCluster++;
}
for (i=0; i< dimensions; i++)
{
    centroid[i] /= pointsInCluster;	
}

Обучение слоя Кохонена

Обучения нейрона Кохонена выполняется итерационно, согласно уравнению:

$w_{new}=w_{old}+k(x-w_{old})$,

где $w_{new}$ – новое значение веса, соединяющего входную компоненту х с выигравшим нейроном; $w_{old}$ – предыдущее значение этого веса; k – коэффициент скорости обучения, который может варьироваться в процессе обучения.

Выбор начальных значений весовых векторов

Одно из решений, известное под названием метода выпуклой комбинации, состоит в том, что все веса приравниваются одной и той же величине:

$w_i=\frac{1}{\sqrt{n}}$,

где $n$ – число входов (число компонент каждого весового вектора).

Но тогда каждая компонента входа x корректируется:

$x_i=k{x}_i+\frac{1-k}{\sqrt{n}}$

В начале обучения $k$ мало, вследствие чего все входные векторы имеют длину, близкую к $\frac{1}{\sqrt{n}}$, и почти совпадают с векторами весов. В процессе обучения сети $k$ постепенно возрастает, приближаясь к единице.

Метод выпуклой комбинации хорошо работает, но несколько замедляет процесс обучения, так как весовые векторы подстраиваются к изменяющейся цели. Но зато, в отличие от метода K-средних, нет необходимости устанавливать центры произвольным образом, и они образуется плавно в зависимости от распределения значений компонентов в обучающей выборке.

Практика

Задание №1

• Есть готовый численный пример
• Нужно перевести и оформить в Викиверситете

Задание №2

• Есть готовая реализация кластеризации алгоритмом k-means на C++
• Нужно переписать код на C#, разобравшись в алгоритме