Video: Cara Mudah Mengerjakan Algoritma K-Means Di Excel 2024
Pembelajaran yang tidak diawasi memiliki banyak tantangan untuk analisis prediktif - termasuk tidak mengetahui apa yang diharapkan saat menjalankan sebuah algoritma. Setiap algoritma akan menghasilkan hasil yang berbeda; Anda tidak akan pernah yakin apakah satu hasil lebih baik dari yang lain - atau bahkan apakah hasilnya bernilai sama sekali.
Bila Anda tahu apa hasilnya, Anda dapat men-tweak algoritma untuk menghasilkan hasil yang diinginkan. Dalam dataset dunia nyata, Anda tidak akan memiliki kemewahan ini. Anda harus bergantung pada beberapa pengetahuan sebelumnya tentang data - atau intuisi - untuk menentukan parameter dan algoritme inisialisasi yang digunakan saat Anda membuat model Anda.
Dalam tugas belajar tanpa pengawasan yang sebenarnya, pengetahuan awal ini tidak tersedia dan hasil yang diinginkan sulit ditemukan. Memilih jumlah cluster yang tepat adalah masalah utamanya. Jika Anda kebetulan menemukan jumlah cluster yang tepat, data Anda akan menghasilkan wawasan yang bisa Anda prediksi sangat akurat. Di sisi lain, menebak jumlah kelompok yang salah dapat menghasilkan hasil yang tidak sesuai standar.
Algoritma K-means adalah pilihan yang baik untuk kumpulan data yang memiliki sejumlah kecil cluster dengan ukuran proporsional dan data yang dapat dipisahkan secara linier - dan Anda dapat mengatasinya untuk menggunakan algoritma pada dataset yang sangat besar.
Pikirkan data yang dipisahkan secara linier sebagai kumpulan titik dalam grafik yang dapat dipisahkan dengan menggunakan garis lurus. Jika data tidak terpisahkan secara linier, maka versi K-means yang lebih maju harus dipekerjakan - yang akan menjadi komputasi yang lebih mahal dan mungkin tidak sesuai untuk dataset yang sangat besar. Dalam penerapan standarnya, kompleksitas untuk menghitung pusat cluster dan jaraknya rendah.
K-means digunakan secara luas untuk memecahkan masalah data besar karena mudah digunakan, efektif, dan sangat terukur. Tidak heran kebanyakan vendor komersial menggunakan algoritma K-means sebagai komponen kunci dari paket analisis prediktif mereka.
Penerapan DBSCAN (Density-Based Spatial Clustering of Applications with Noise) di scikit-learn tidak memerlukan parameter inisialisasi yang ditentukan pengguna untuk membuat sebuah instance. Anda dapat mengganti parameter default selama inisialisasi jika Anda mau. Sayangnya, jika Anda menggunakan parameter default, algoritma tidak dapat memberikan kecocokan yang dekat dengan hasil yang diinginkan.
DBSCAN lebih cocok untuk dataset yang memiliki ukuran cluster tidak proporsional, dan data mana yang dapat dipisahkan dengan mode non linier.Seperti K-means, DBSCAN terukur, namun menggunakannya pada dataset yang sangat besar membutuhkan lebih banyak memori dan daya komputasi.
