একটি উদাহরণ যেখানে কে-মিডয়েড অ্যালগরিদমের আউটপুট কে-মানে অ্যালগরিদমের আউটপুট থেকে আলাদা

Question

আমি কে মেডয়েড এবং কে অর্থের মধ্যে পার্থক্য বুঝতে পারি। তবে আপনি কি আমাকে একটি ছোট ডেটা সেট দিয়ে একটি উদাহরণ দিতে পারেন যেখানে কে মেডয়েড আউটপুট কে মানে আউটপুট থেকে আলাদা।

Answer 1

বর্গের দূরত্বকে হ্রাস না করে পয়েন্ট এবং নির্বাচিত সেন্ট্রয়েডের মধ্যে পরম দূরত্বকে হ্রাস করে গণনা করে কে-মেডয়েড মেডোয়েডগুলির উপর ভিত্তি করে (যা ডেটাসেটের সাথে সম্পর্কিত একটি বিন্দু) ulating ফলস্বরূপ, কে-মানেগুলির চেয়ে শব্দ এবং বিদেশিদের কাছে এটি আরও দৃust়।

এখানে দুটি ক্লাস্টার সহ একটি সরল, স্বীকৃত উদাহরণ রয়েছে (বিপরীত রঙগুলি উপেক্ষা করুন)

আপনি দেখতে পাচ্ছেন, মেডোইডস এবং সেন্ট্রয়েডগুলি (কে-মানে) প্রতিটি গ্রুপে কিছুটা আলাদা। এছাড়াও আপনার লক্ষ রাখতে হবে যে যতবার আপনি এই অ্যালগরিদমগুলি চালান, এলোমেলো শুরুর পয়েন্ট এবং মিনিমাইজেশন অ্যালগরিদমের প্রকৃতির কারণে আপনি কিছুটা আলাদা ফলাফল পাবেন। এখানে আরও একটি রান রয়েছে:

এবং এখানে কোড:

library(cluster)
x <- rbind(matrix(rnorm(100, mean = 0.5, sd = 4.5), ncol = 2),
           matrix(rnorm(100, mean = 0.5, sd = 0.1), ncol = 2))
colnames(x) <- c("x", "y")

# using 2 clusters because we know the data comes from two groups
cl <- kmeans(x, 2) 
kclus <- pam(x,2)

par(mfrow=c(1,2))
plot(x, col = kclus$clustering, main="Kmedoids Cluster")
points(kclus$medoids, col = 1:3, pch = 10, cex = 4)
plot(x, col = cl$cluster, main="Kmeans Cluster")
points(cl$centers, col = 1:3, pch = 10, cex = 4)

Comments

@frc, আপনি যদি কারও উত্তর ভুল বলে মনে করেন, এটি সংশোধন করার জন্য এটি সম্পাদনা করবেন না। আপনি একটি মন্তব্য (একবার আপনার প্রতিস্থাপন> 50 হলে), এবং / অথবা ডাউনওয়েট দিতে পারেন। আপনার সর্বোত্তম বিকল্পটি হ'ল আপনার নিজের উত্তর ডাব্লু / আপনি সঠিক তথ্য বলে কি বিশ্বাস করেন (সিএফ, এখানে )।

— গুং - মনিকা পুনরায়

কে-মেডয়েডগুলি ক্লাস্টারযুক্ত উপাদান এবং মিডিয়োডের মধ্যে একটি নির্বিচারে বেছে নেওয়া দূরত্ব (অগত্যা একটি নিখুঁত দূরত্ব নয়) হ্রাস করে। প্রকৃতপক্ষে pamপদ্ধতিটি (আর-তে কে-মেডোইডগুলির উদাহরণস্বরূপ বাস্তবায়ন) ডিফল্টরূপে ইউক্রিডিয়ান দূরত্বকে মেট্রিক হিসাবে ব্যবহার করে। কে-মানে সর্বদা স্কোয়ারড ইউক্লিডিয়ান ব্যবহার করে। কে-মিডোয়েডগুলিতে মেডোইডগুলি ক্লাস্টার উপাদানগুলির বাইরে বেছে নেওয়া হয়, পুরো পয়েন্টের বাইরে কে-ইমেজগুলির মধ্যভাগ হিসাবে সেন্ট্রয়েড নয়।

— hannafrc

মন্তব্য করার মতো যথেষ্ট খ্যাতি আমার নেই, তবে উল্লেখ করতে চেয়েছিলেন যে ইলানমানের উত্তরের প্লটগুলিতে একটি ভুল আছে: তিনি পুরো কোডটি চালিয়েছিলেন, যাতে ডেটা সংশোধন করা হয়েছিল। আপনি যদি কোডটির কেবল ক্লাস্টারিং অংশটি চালনা করেন তবে ক্লাস্টারগুলি বেশিরভাগ স্থিতিশীল, উপায় দ্বারা পি-এম-এর চেয়ে পিএএম এর জন্য আরও স্থিতিশীল।

— জুলিয়ান কলম্ব

Answer 2

একটি মেডয়েড সেটটির সদস্য হতে হয়, একটি সেন্ট্রয়েড থাকে না।

সেন্ট্রয়েডগুলি সাধারণত শক্ত, অবিচ্ছিন্ন অবজেক্টের প্রসঙ্গে আলোচিত হয়, তবে বিশ্বাস করার কোনও কারণ নেই যে আলাদা করে দেওয়া নমুনাগুলির বর্ধনের জন্য সেন্ট্রয়েডকে মূল সেটটির সদস্য হতে হবে।

Answer 3

উভয় কে-মানে এবং কে-মেডোইড আলগোরিদিমগুলি ডেটাসেটকে কে গ্রুপে বিভক্ত করছে। এছাড়াও, তারা উভয় একই ক্লাস্টারের পয়েন্ট এবং একটি নির্দিষ্ট পয়েন্টের মধ্যবর্তী দূরত্বকে হ্রাস করার চেষ্টা করছে যা সেই গুচ্ছের কেন্দ্র। কে-মানে অ্যালগোরিদমের বিপরীতে, কে-মেডয়েডস অ্যালগোরিদম পয়েন্টগুলি কেন্দ্র হিসাবে বেছে নিয়েছে যা ডাস্ট্যাসেটের অন্তর্ভুক্ত। কে-মেডোইড ক্লাস্টারিং অ্যালগরিদমের সর্বাধিক সাধারণ বাস্তবায়ন হ'ল পার্টিশনিং অরাউন্ড মেডোইডস (পিএএম) অ্যালগরিদম। প্যাম অ্যালগরিদম একটি লোভী অনুসন্ধান ব্যবহার করে যা বিশ্বব্যাপী সর্বোত্তম সমাধান খুঁজে পেতে পারে না। মেডোইডস সেন্ট্রয়েডের চেয়ে বেশি বিদেশীদের কাছে শক্তিশালী তবে উচ্চ মাত্রিক ডেটার জন্য তাদের আরও গণনার প্রয়োজন।