Добавил:
baraevaliza
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Лабы по ОМО 2025 / Baraeva_Elizaveta_lb2
.pdf
31
Рисунок 4.2.2 – Диаграмма рассеяния датасета blobs
Рисунок 4.2.3 – Диаграмма рассеяния датасета circles (8 кластеров)
32
Рисунок 4.2.4 – Диаграмма рассеяния датасета circles (4 кластера)
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
33
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.
Соседние файлы в папке Лабы по ОМО 2025