Phân cụm giám sát hay phân loại?

Câu hỏi thứ hai là tôi đã tìm thấy trong một cuộc thảo luận ở đâu đó trên web nói về "phân cụm có giám sát", theo như tôi biết, phân cụm không được giám sát, vậy ý ​​nghĩa chính xác của "phân cụm có giám sát" là gì? Sự khác biệt liên quan đến "phân loại" là gì?

Có nhiều liên kết nói về điều đó:

http://www.cs.uh.edu/docs/cosc/technical-reports/2005/05_10.pdf

http://books.nips.cc/ con / files / nips23 / NIPS2010_0427.pdf

http://engr.case.edu/ray_soumya/mlrg/supervised_clustering_finley_joachims_icml05.pdf

http://www.public.asu.edu/~kvanlehn/Stringent/PDF/05CICL_UP_DB_PWJ_KVL.pdf

http://www.machinelearning.org/proceedings/icml2007/ con / 3/66.pdf

http://www.cs.cornell.edu/~tomf/publications/supervised_kmeans-08.pdf

http://jmlr.csail.mit.edu/ con/volume6/daume05a/daume05a.pdf

v.v ...

Sự hiểu biết ngây thơ của tôi là phân loại được thực hiện khi bạn có một tập hợp các lớp được chỉ định và bạn muốn phân loại một thứ / tập dữ liệu mới vào một trong những lớp được chỉ định đó.

Ngoài ra, phân cụm không có gì để bắt đầu và bạn sử dụng tất cả dữ liệu (bao gồm cả dữ liệu mới) để phân tách thành các cụm.

Cả hai đều sử dụng số liệu khoảng cách để quyết định cách phân cụm / phân loại. Sự khác biệt là phân loại dựa trên một tập hợp các lớp được xác định trước đó trong khi phân cụm quyết định các cụm dựa trên toàn bộ dữ liệu.

Một lần nữa, sự hiểu biết ngây thơ của tôi là phân cụm được giám sát vẫn phân cụm dựa trên toàn bộ dữ liệu và do đó sẽ phân cụm thay vì phân loại.

Trong thực tế, tôi chắc chắn rằng lý thuyết đằng sau cả phân cụm và phân loại là đan xen.

Tôi không nghĩ rằng tôi biết nhiều hơn bạn, nhưng các liên kết bạn đăng lên gợi ý câu trả lời. Tôi sẽ lấy http://www.cs.cornell.edu/~tomf/publications/supervised_kmeans-08.pdf làm ví dụ. Về cơ bản họ nêu: 1) phân cụm phụ thuộc vào khoảng cách. 2) sử dụng thành công phương tiện k đòi hỏi một khoảng cách được lựa chọn cẩn thận. 3) Đưa ra dữ liệu huấn luyện dưới dạng tập hợp các mục với phân vùng mong muốn của chúng, chúng tôi cung cấp phương pháp SVM cấu trúc để tìm hiểu một thước đo khoảng cách để phương tiện k tạo ra các cụm mong muốn.Trong trường hợp này, có một giai đoạn được giám sát để phân cụm, với cả dữ liệu đào tạo và học tập. Mục đích của giai đoạn này là tìm hiểu một hàm khoảng cách để áp dụng phân cụm k-mean với khoảng cách này sẽ hy vọng tối ưu, tùy thuộc vào mức độ dữ liệu đào tạo giống với miền ứng dụng. Tất cả các cảnh báo thông thường phù hợp với máy học và phân cụm vẫn được áp dụng.

Trích dẫn thêm từ bài viết: Phân cụm giám sát là nhiệm vụ tự động điều chỉnh thuật toán phân cụm với sự trợ giúp của một bộ huấn luyện bao gồm các bộ vật phẩm và phân vùng hoàn chỉnh của các bộ vật phẩm này. . Đó có vẻ là một định nghĩa hợp lý.

Một số định nghĩa:

Phân cụm giám sát được áp dụng trên các ví dụ được phân loại với mục tiêu xác định các cụm có mật độ xác suất cao cho một lớp.

Phân cụm không giám sát là một khung học tập sử dụng các hàm đối tượng cụ thể, ví dụ như một hàm thu nhỏ khoảng cách bên trong một cụm để giữ cho cụm chặt chẽ.

Phân cụm bán giám sát là để tăng cường thuật toán phân cụm bằng cách sử dụng thông tin bên trong quá trình phân cụm.

Những tiến bộ trong Mạng lưới thần kinh - ISNN 2010

Không sử dụng quá nhiều biệt ngữ vì tôi là người mới trong lĩnh vực này, cách tôi hiểu phân cụm được giám sát sẽ ít giống như thế này:

Trong phân cụm có giám sát, bạn bắt đầu từ trên xuốngvới một số lớp được xác định trước và sau đó sử dụng cách tiếp cận từ dưới lên, bạn thấy đối tượng nào phù hợp hơn với các lớp của mình.

Ví dụ, bạn đã thực hiện một nghiên cứu về loại cam yêu thích trong dân số.
Từ nhiều loại cam bạn đã thấy rằng một loại 'cam' đặc biệt là loại cam được ưa thích.
Tuy nhiên, loại cam đó rất tinh tế và dễ bị nhiễm trùng, biến đổi khí hậu và các tác nhân môi trường khác.
Vì vậy, bạn muốn vượt qua nó với các loài khác có khả năng chống lại những lời lăng mạ đó.
Sau đó, bạn đi đến phòng thí nghiệm và tìm thấy một số gen chịu trách nhiệm cho hương vị ngọt ngào và ngọt ngào của một loại, và cho khả năng kháng thuốc của loại khác.
Bạn thực hiện một số thí nghiệm và bạn kết thúc bằng giả sử hàng trăm loại cam khác nhau.
Bây giờ bạn chỉ quan tâm đến các kiểu con phù hợp hoàn hảo với các thuộc tính được mô tả.
Bạn không muốn thực hiện nghiên cứu tương tự trong dân số của mình một lần nữa ...
Bạn biết các tính chất bạn đang tìm kiếm trong màu cam hoàn hảo của bạn.
Vì vậy, bạn chạy phân tích cụm của bạn và chọn những người phù hợp nhất với mong đợi của bạn.