ဒေတာပဒေသာပင်များ

ပြွတ်

အစုအဝေးများသည် တူညီမှု အပေါ်အခြေခံ၍ ဒေတာစုဆောင်းမှုများဖြစ်သည်။

ဂရပ်တစ်ခုတွင် စုစည်းထားသော ဒေတာအချက်များအား အစုအဝေးများအဖြစ် မကြာခဏ ခွဲခြားနိုင်သည်။

အောက်ပါဂရပ်တွင် ကျွန်ုပ်တို့သည် မတူညီသောအစုအဝေး 3 ခုကို ခွဲခြားနိုင်သည်-

အစုအဝေးများကို ဖော်ထုတ်ခြင်း။

အစုအဖွဲ့များသည် တန်ဖိုးရှိသော အချက်အလက်များစွာကို သိမ်းဆည်းထားနိုင်သော်လည်း အစုအဝေးများသည် ပုံသဏ္ဍာန်အမျိုးမျိုးဖြင့် ရောက်ရှိလာသောကြောင့် ၎င်းတို့ကို ကျွန်ုပ်တို့ မည်သို့မှတ်မိနိုင်မည်နည်း။

အဓိကနည်းလမ်းနှစ်ခုမှာ-

• Visualization ကိုအသုံးပြုခြင်း။
• Clustering Algorithm ကိုအသုံးပြုခြင်း။

အစုအဝေး

Clustering သည် Unsupervised Learning အမျိုးအစားတစ်ခုဖြစ်သည် ။

Clustering သည် ကြိုးစားနေသည်-

• အလားတူဒေတာများကို အုပ်စုများအလိုက် စုဆောင်းပါ။
• အခြားအုပ်စုများတွင် အလားတူဒေတာကို စုဆောင်းပါ။

Clustering Methods

• သိပ်သည်းဆနည်းလမ်း
• Hierarchical Method
• ပိုင်းခြားခြင်းနည်းလမ်း
• ဇယားကွက်အခြေခံနည်းလမ်း

Density Method သည် သိပ်သည်းသောဒေသများရှိ အမှတ်များကို အောက်သိပ်သည်းသောဒေသရှိ အမှတ်များထက် ပိုမိုတူညီပြီး ကွဲပြားမှုများရှိသည်ဟု မှတ်ယူသည်။ သိပ်သည်းဆနည်းလမ်းသည် ကောင်းမွန်တိကျမှုရှိသည်။ ၎င်းသည် အစုအဝေးများကို ပေါင်းစည်းနိုင်စွမ်းလည်း ရှိသည်။
အသုံးများသော algorithms နှစ်ခုမှာ DBSCAN နှင့် OPTICS ဖြစ်သည်။

Hierarchical Method သည် သစ်ပင်အမျိုးအစားဖွဲ့စည်းပုံတွင် အစုအဝေးများကို ဖွဲ့စည်းသည် ။ အစုအသစ်များကို ယခင်ဖွဲ့စည်းထားသော အစုအဝေးများကို အသုံးပြု၍ ဖွဲ့စည်းထားပါသည်။
အသုံးများသော algorithms နှစ်ခုမှာ CURE နှင့် BIRCH ဖြစ်သည်။

Grid-based Method သည် ဒေတာများကို ဇယားကွက်သဖွယ် ဖွဲ့စည်းတည်ဆောက်ထားသည့် ဆဲလ်အရေအတွက် အကန့်အသတ်ဖြင့် ပုံဖော်သည်။
အသုံးများသော algorithms နှစ်ခုမှာ CLIQUE နှင့် STING ဖြစ်သည်။

Partitioning Method သည် အ ရာဝတ္တုများကို k အစုအဝေးများအဖြစ် ပိုင်းဖြတ်ပြီး အပိုင်းတစ်ခုစီသည် အစုအဝေးတစ်ခုအဖြစ် ဖွဲ့စည်းသည်။
အသုံးများသော algorithm တစ်ခုမှာ CLARANS ဖြစ်သည်။

ဆက်စပ်မှုကိန်း

Correlation Coefficient (r) သည် linear ဆက်နွယ်မှု ၏ ခိုင်ခံ့မှုနှင့် ဦးတည်ချက်တို့ကို ဖြန့်ကျက်တစ်ခုပေါ်တွင် x/y variable များကို ဖော်ပြသည်။

r ၏တန်ဖိုးသည် အမြဲတမ်း -1 နှင့် +1 ကြားဖြစ်သည်