Garfield
YZF Admin
BIRCH, çok sayıda gözlemi belleği daha verimli kullanarak kümelere ayırmak için kullanılan hiyerarşik bir kümeleme yöntemidir. Verileri doğrudan tek tek karşılaştırmak yerine önce özetleyen bir
BIRCH’in temelinde Clustering Feature (CF) adı verilen özet bulunur. Bir veri grubunun kaç noktadan oluştuğu, noktaların toplamı ve karelerinin toplamı gibi bilgiler saklanır. Bu özetler kullanılarak grubun merkezi, yayılımı ve çapı yaklaşık olarak hesaplanabilir.
Veriler ağaca eklendikçe birbirine yakın noktalar aynı yaprak düğümde toplanır. scikit-learn’de bir nokta mevcut alt kümeye eklendiğinde oluşacak yarıçap
BIRCH genellikle şu aşamalarla düşünülebilir:
Aşağıdaki örnekte iki boyutlu, birbirinden belirgin biçimde ayrılmış varsayımsal noktalar BIRCH ile gruplanır:
Bu örnekte beklenen sonuç, ilk üç noktanın aynı etikete, son üç noktanın başka bir etikete atanmasıdır. Etiket numaralarının
Gerçek bir veri kümesinde kümeleri yorumlamadan önce özelliklerin ölçeklerini kontrol edin. Bir sütun binlerce, başka bir sütun ise 0 ile 1 arasında değer alıyorsa büyük ölçekli sütun uzaklık hesabını baskılayabilir. Bu durumda uygun bir standardizasyon veya normalizasyon yapılmadan elde edilen kümeler yanıltıcı olabilir.
BIRCH ayarlarını seçerken her parametrenin neyi değiştirdiğini bilmek gerekir. Özellikle
Tablodaki ayarlar birbirinin yerine geçmez. Örneğin
BIRCH, gözlem sayısı yüksek ve veriler sayısal özelliklerden oluşan problemlerde güçlü bir adaydır. Veriyi akış hâlinde veya parça parça işlemek gerektiğinde de yararlı olabilir; çünkü bütün noktaları aynı anda ayrıntılı uzaklık hesaplarına sokmadan özetler oluşturur.
Buna karşılık, kategorik veriler doğrudan BIRCH’e verilmemelidir. Metin, renk, şehir veya ürün türü gibi kategoriler önce probleme uygun sayısal temsile dönüştürülmelidir. Ayrıca kümelerin küresel olmayan karmaşık şekillerde olduğu durumlarda veya aykırı değerlerin çok etkili olduğu veri kümelerinde sonuçları yalnızca etiketlere bakarak yorumlamak doğru değildir.
BIRCH’in ürettiği etiketler, veriler arasındaki benzerlik yapısına dayalı grupları gösterir; bir grubun neden oluştuğunu, gelecekte aynı davranışın kesinlikle tekrarlanacağını veya grupların iş açısından anlamlı olduğunu tek başına kanıtlamaz. Sonraki adım olarak her kümenin ortalama değerlerini, gözlem sayısını, aykırı noktalarını ve alan açısından açıklanabilir özelliklerini inceleyin.
CF Tree yapısı oluşturur; ardından bu özetler üzerinde son kümeleme işlemini yapar. Böylece özellikle büyük veri kümelerinde kümeleme süresini ve bellek kullanımını azaltabilir.BIRCH nasıl çalışır?
BIRCH’in temelinde Clustering Feature (CF) adı verilen özet bulunur. Bir veri grubunun kaç noktadan oluştuğu, noktaların toplamı ve karelerinin toplamı gibi bilgiler saklanır. Bu özetler kullanılarak grubun merkezi, yayılımı ve çapı yaklaşık olarak hesaplanabilir.
Veriler ağaca eklendikçe birbirine yakın noktalar aynı yaprak düğümde toplanır. scikit-learn’de bir nokta mevcut alt kümeye eklendiğinde oluşacak yarıçap
threshold değerini aşarsa nokta bu alt kümeyle birleştirilmez ve yeni bir alt küme oluşturulur. Bu süreç sonunda oluşan özet kümeler üzerinde isteğe bağlı olarak k-means gibi ikinci bir kümeleme yöntemi uygulanabilir.BIRCH genellikle şu aşamalarla düşünülebilir:
- Verileri sırayla alma. Her veri noktası CF Tree içinde kendisine en yakın uygun dala yerleştirilir.
- Yakın noktaları özetleme. Noktanın eklenmesiyle oluşacak alt küme yarıçapı
thresholdsınırını aşmıyorsa nokta mevcut özete eklenir. - Ağacı bölme. Yeni nokta mevcut gruba sığmıyorsa yeni bir alt küme veya düğüm oluşturulur.
- Son kümeleri belirleme. Oluşan özetler doğrudan küme olarak kullanılabilir ya da üzerlerinde başka bir algoritma çalıştırılabilir.
threshold değeri sonucu doğrudan etkiler. Değer küçüldükçe daha küçük ve daha fazla alt grup oluşabilir; değer büyüdükçe birbirine daha uzak noktalar aynı özet grupta birleşebilir. Bu nedenle değer, verinin ölçeğine ve kabul edilebilir alt küme yarıçapına göre seçilmelidir.Python ile en küçük örnek
Aşağıdaki örnekte iki boyutlu, birbirinden belirgin biçimde ayrılmış varsayımsal noktalar BIRCH ile gruplanır:
Python:
from sklearn.cluster import Birch
veriler = [
[1.0, 1.1],
[1.2, 0.9],
[0.8, 1.0],
[8.9, 9.1],
[9.2, 8.8],
[9.0, 9.3],
]
model = Birch(
threshold=1.0,
branching_factor=50,
n_clusters=2
)
etiketler = model.fit_predict(veriler)
for veri, etiket in zip(veriler, etiketler):
print(veri, etiket)Bu örnekte beklenen sonuç, ilk üç noktanın aynı etikete, son üç noktanın başka bir etikete atanmasıdır. Etiket numaralarının
0 veya 1 olması kümelerin anlamını göstermez; yalnızca algoritmanın verdiği kimliklerdir. Örneğin ilk grup 1, ikinci grup 0 etiketiyle de dönebilir.Gerçek bir veri kümesinde kümeleri yorumlamadan önce özelliklerin ölçeklerini kontrol edin. Bir sütun binlerce, başka bir sütun ise 0 ile 1 arasında değer alıyorsa büyük ölçekli sütun uzaklık hesabını baskılayabilir. Bu durumda uygun bir standardizasyon veya normalizasyon yapılmadan elde edilen kümeler yanıltıcı olabilir.
Önemli parametreler ve seçim ölçütleri
BIRCH ayarlarını seçerken her parametrenin neyi değiştirdiğini bilmek gerekir. Özellikle
threshold ve n_clusters aynı işi yapmaz: ilki ağacın hangi ayrıntı düzeyinde özet oluşturacağını, ikincisi ise son aşamadaki küme sayısını etkiler.| Parametre | Ne belirler? | Değerin etkisi |
|---|---|---|
threshold | Bir CF alt grubunun izin verilen yarıçapını | Küçük değer daha ayrıntılı, büyük değer daha kaba özet oluşturur |
branching_factor | Bir ağaç düğümünde tutulabilecek alt dal sayısını | Büyüdükçe ağaç daha geniş, ancak düğümler daha büyük olabilir |
n_clusters | Son aşamada istenen küme sayısını | Bir tam sayı son küme sayısını belirler; None kullanılırsa son kümeleme adımı atlanır ve CF alt kümeleri olduğu gibi kullanılır |
n_clusters=2 vermek, verinin gerçekten iki doğal gruba sahip olduğunu kanıtlamaz. Yalnızca son modelin iki küme üretmesini ister. Doğal grup sayısı bilinmiyorsa farklı ayarları karşılaştırmak, küme içi benzerlikleri ve alan bilgisini birlikte değerlendirmek gerekir.BIRCH ne zaman uygundur?
BIRCH, gözlem sayısı yüksek ve veriler sayısal özelliklerden oluşan problemlerde güçlü bir adaydır. Veriyi akış hâlinde veya parça parça işlemek gerektiğinde de yararlı olabilir; çünkü bütün noktaları aynı anda ayrıntılı uzaklık hesaplarına sokmadan özetler oluşturur.
Buna karşılık, kategorik veriler doğrudan BIRCH’e verilmemelidir. Metin, renk, şehir veya ürün türü gibi kategoriler önce probleme uygun sayısal temsile dönüştürülmelidir. Ayrıca kümelerin küresel olmayan karmaşık şekillerde olduğu durumlarda veya aykırı değerlerin çok etkili olduğu veri kümelerinde sonuçları yalnızca etiketlere bakarak yorumlamak doğru değildir.
BIRCH’in ürettiği etiketler, veriler arasındaki benzerlik yapısına dayalı grupları gösterir; bir grubun neden oluştuğunu, gelecekte aynı davranışın kesinlikle tekrarlanacağını veya grupların iş açısından anlamlı olduğunu tek başına kanıtlamaz. Sonraki adım olarak her kümenin ortalama değerlerini, gözlem sayısını, aykırı noktalarını ve alan açısından açıklanabilir özelliklerini inceleyin.
Son düzenleme:
