4.3. Сравните результаты кластеризации с результатами, полученными в п.2 и п.3. Сделайте выводы о том, какой метод кластеризации подходит под каждый из наборов данных.

Для датасета blobs все 3 метода показали одинаковый результат кластеризации. Для датасета circles методы K-Means и DBSCAN не сошлись, однако, если посмотреть на Рисунок 2.2.3, можно увидеть локальный максимум для 4 кластеров. Можно было бы выбрать 4 кластера для K-Means, но далее на этом рисунке идет большой скачек, так что взять 8 кластеров было логичнее. Методы DBSCAN и иерархическая кластеризация не сошлись для 4 кластеров, а для K-Means и иерархической кластеризации различия минимальны.

Вывод.

В ходе работы были изучены и применены различные методы кластеризации: K-Means, DBSCAN и иерархическая кластеризация. Освоены навыки анализа кластеризованных данных, выявления выбросов, интерпретации результатов и визуализации кластеров. Также проведено сравнение методов для различных данных.

На датасете blobs все три метода показали схожие результаты кластеризации, что свидетельствует о простоте структуры данных. В случае с датасетом circles результаты методов разошлись. K-Means и DBSCAN дали разные результаты.

K-Means – быстрый и простой метод, хорошо работает на сферических кластерах, но плохо справляется с шумом и кластерами сложной формы. DBSCAN устойчив к выбросам и хорошо находит кластеры произвольной формы, но чувствителен к выбору параметров и плохо работает при разной плотности данных. Иерархическая кластеризация позволяет визуализировать структуру данных, не требует заранее выбирать число кластеров.

33