K-Means क्लस्टरिंग

K-Means क्लस्टरिंग क्या है?

K-Means WCSS को न्यूनतम करके n बिंदुओं को K क्लस्टर में विभाजित करता है। प्रत्येक क्लस्टर अपने सेंट्रॉइड द्वारा प्रतिनिधित्व करता है।

K प्रारंभिक सेंट्रॉइड से शुरू, दो चरण: (1) प्रत्येक बिंदु को निकटतम सेंट्रॉइड को असाइन करें, (2) सेंट्रॉइड पुनर्गणना करें। 10-50 पुनरावृत्तियों में अभिसरण।

K चुनना महत्वपूर्ण है। एल्बो विधि WCSS बनाम K प्लॉट करती है। सिलुएट स्कोर +1 के पास अच्छी क्लस्टरिंग दर्शाता है।

Formula: WCSS = Σₖ Σ(xᵢ ∈ Cₖ) ‖xᵢ − μₖ‖² जहाँ μₖ = क्लस्टर Cₖ का केंद्रक ‖·‖ = यूक्लिडियन दूरी असाइनमेंट अपरिवर्तित रहने पर एल्गोरिद्म अभिसरित होता है

गणना उदाहरण

बिंदु: (1,1), (1.5,2), (3,4), (5,7), (3.5,5), (4.5,5), (3.5,4.5)। K=2, सेंट्रॉइड μ₁≈(1.25,1.5), μ₂≈(3.9,5.1)। WCSS=8.525।

इस कैलकुलेटर का उपयोग कब करें

• कोई मार्केटिंग विश्लेषक जो क्रय व्यवहार, जनसांख्यिकी या एंगेजमेंट मेट्रिक्स के आधार पर ग्राहकों को समूहों में बाँट रहा हो
• कोई गुणवत्ता इंजीनियर जो उत्पादन डेटा में भिन्न आबादियाँ या विफलता मोड पहचानने के लिए मापन डेटा का समूहन कर रहा हो
• कोई शोधकर्ता जो बहु-आयामी डेटासेट में प्राकृतिक समूह खोजने के लिए अपर्यवेक्षित वर्गीकरण कर रहा हो
• कोई डेटा वैज्ञानिक जो पर्यवेक्षित लर्निंग लागू करने से पहले अन्वेषणात्मक विश्लेषण से यह निर्धारित कर रहा हो कि डेटा में सार्थक क्लस्टर हैं या नहीं

बचने योग्य सामान्य गलतियाँ

• क्लस्टरिंग से पहले फ़ीचर मानकीकृत न करना — यदि एक चर 0-1000 और दूसरा 0-1 परास में हो, तो K-Means पर बड़े पैमाने वाला चर हावी होगा; हमेशा शून्य माध्य और इकाई प्रसरण पर मानकीकृत करें
• Elbow Method या Silhouette Score उपयोग किए बिना अंतर्ज्ञान से K चुनना — मनमाना K अर्थहीन क्लस्टर देता है; चुनाव के औचित्य के लिए परिमाणात्मक मानदंड उपयोग करें
• K-Means केवल एक बार चलाना — यादृच्छिक आरंभीकरण हर बार भिन्न परिणाम दे सकता है; भिन्न सीड के साथ कई बार (10-20) चलाएँ और सर्वोत्तम WCSS चुनें
• अगोलाकार या अतिव्यापी क्लस्टरों वाले डेटा पर K-Means लगाना — K-Means उत्तल, समान आकार के क्लस्टर मानता है; अनियमित क्लस्टर आकृतियों के लिए DBSCAN या Gaussian Mixture Models उपयोग करें

परिणामों की व्याख्या कैसे करें

• कम WCSS सघन क्लस्टर दर्शाता है, परंतु K बढ़ने पर WCSS हमेशा घटता है — वह K खोजने के लिए Elbow Method उपयोग करें जहाँ और क्लस्टर जोड़ने से उल्लेखनीय सुधार मिलना बंद हो जाए
• क्लस्टर आकार आपके अनुप्रयोग के लिए सार्थक होने चाहिए — केवल 1-2 बिंदुओं वाला क्लस्टर वास्तविक क्लस्टर के बजाय आउटलायर समूह हो सकता है
• प्रत्येक क्लस्टर के अर्थ को समझने के लिए केंद्रक निर्देशांक देखें — केंद्रक औसत सदस्य है और क्लस्टर की विशेषताएँ परिभाषित करता है

संबंधित मानक और संदर्भ

• MacQueen, J. (1967), 'Some Methods for Classification and Analysis of Multivariate Observations', Proc. 5th Berkeley Symposium — 'k-means' शब्द की उत्पत्ति
• Lloyd, S. (1957, प्रकाशित 1982), 'Least Squares Quantization in PCM', IEEE Transactions on Information Theory — मानक असाइनमेंट-अपडेट पुनरावृत्ति
• Jain, A. K. (2010), 'Data Clustering: 50 Years Beyond K-Means', Pattern Recognition Letters — k-means के व्यवहार, आरंभीकरण और K के चयन का सर्वेक्षण

अक्सर पूछे जाने वाले प्रश्न

K कैसे चुनें?

एल्बो विधि: K=1-10 के लिए WCSS प्लॉट करें, मोड़ बिंदु पर K चुनें। या उच्चतम सिलुएट वाला K।

K-Means की सीमाएँ?

गोलाकार क्लस्टर मानता है, बाह्य मानों के प्रति संवेदनशील। गैर-उत्तल क्लस्टर नहीं पहचान सकता। DBSCAN या GMM पर विचार करें।