(ج) التجميع في الكيلومترات طريقة شعبية تستخدم في تجميع نقاط البيانات في مجموعات على أساس خصائصها، وتساعد على تحديد الأنماط والهياكل داخل مجموعات البيانات الكبيرة، وتوفر هذه المادة دليلاً تدريجياً لتطبيق مجموعة الكميات على بيانات العالم الحقيقي، بما في ذلك الحسابات وأفضل الممارسات.

Understanding K-means Clustering

(ج) يُخصص الخوارزمية لكل نقطة بيانات لأقرب جهاز للتكويب ويُحدّدُ المكوّنات المركزية إلى التقارب، ويُستخدم على نطاق واسع في تجزؤ العملاء، وتحليل الصور، والبحوث السوقية.

عملية حساب تدريجي

(أ) تتبع هذه الخطوات لتجميع الكي مان:

  • Step 1: Choose the number of clusters (K).] Use methods like the elbow method to determine an appropriate K.
  • Step 2: Initialize centroids.] Randomly select K data points as initial centroids.
  • Step 3: Assign data points to the nearest centroid.] Calculate the distance between each point and each centroid, then assign points accordingly.
  • Step 4: Update centroids.] Calculate the mean of all points in each cluster to find new centroids.
  • Step 5: Repeat steps 3 and 4 until convergence.] Continue until cluster assignments no longer change significantly.

أفضل الممارسات في مجال بيانات العالم الحقيقي

ويتطلب تطبيق معايير المعارف على بيانات العالم الحقيقي الاهتمام بنوعية البيانات واختيار البارامترات، وتكفل خطوات التجهيز الأولي، مثل التطبيع، أن تسهم السمات على قدم المساواة في حسابات المسافات، واختيار العدد الصحيح من المجموعات أمر حاسم؛ ويمكن أن تساعد تقنيات مثل سجل حروف السيلوويت في هذا القرار.

وبالإضافة إلى ذلك، النظر في إدارة الخوارزمية عدة مرات مع عمليات أولية مختلفة لتجنب الحد الأدنى المحلي، ويمكن أن يساعد تصور المجموعات على تفسير النتائج والتحقق من جودة التجمُّع.