O’zbekiston respublikasi aloqa, axborotlashtirish va telekommunikasiya texnologiyalari davlat qo`mitasi
Yüklə 1,59 Mb. Pdf görüntüsü
|
- Bu səhifədəki naviqasiya:
- II BOB. MA’LUMOTLARNI INTELLEKTUAL TAHLIL ETISHDA KLASTERIZATSIYA MASALASI ALGORITMLARI
|
27 II BOB. MA’LUMOTLARNI INTELLEKTUAL TAHLIL ETISHDA KLASTERIZATSIYA MASALASI ALGORITMLARI Ushbu bobda ma‘lumotlarni intellektual tahlil etish jarayonida klasterizatsiya masalasi algoritmlari aks ettirilgan bo‗lib, paragrafning birinchi qismida klasterizatsiya masalasini tizimli yechishning formal qo‘yilishi va algoritmlar tahlillari to‘g‘risida ma‘lumotlar berilgan va ular qarab o‗tilgan. Ikkinchi qismida esa klasterizatsiya algoritmlarida qo‘llaniladigan masofaga asoslangan yaqinlik darajasining o‘lchovi keltirilgan. Uchunchi qismida esa bu keltirilgan algoritmlarning qiyosiy tahlili aks ettirilgan. 1. Klasterizatsiya masalasini tizimli yechishning formal quyilishi Klasterlar analizi haqidagi birinchi nashr o‘tgan yuz yillikning 30- yillarida paydo bo‘ldi. Ammo bu usulning faol rivojlanishi va uning keng qo‘llanilishi 60-yillar oxiri, 70-yillar boshiga to‘g‘ri keladi. Keyinchlik bu ko‘p o‘lchamli analizni yo‘nalish intensiv ravishda tarqaldi, yangi usullari paydo bo‘ldi, ma‘lum algoritmlar modefikatsiyalandi, klasterlar analizining tadbiq etilish sohasi sezilarli darajada kengaydi. Agar dastlab ko‘p o‘lchamli sinflash psixalogiya, bialogiya, arxeologiya sohalarida qo‘llanilgan bo‘lsa, hozir esa ular sotsialogiya, iqtisod, statistika va tarixiy izlanishlarda ham faol qo‘llanilmoqda. Hisoblash mashinalari paydo bo‘lgandan keyin ularning qo‘llanilishi alohida bir ko‘rinishda kengayib bordi. Bu katta hajmdagi axborotlarni ishlash bilan bog‘liq[13]. Klasterizatsiya klassifikatsiyadan farqi shundaki, o‘rganiladigan analizda ajratilgan maqsad o‘zgaruvchilari talab etilmaydi. Shu nuqtai nazardan u unsupervised learning sinfiga qarashli bo‘ladi. Bu masalani o‘rganishning birinchi bosqichida ma‘lumot haqida juda kam ma‘lum bo‘lganda echiladi. Uning yechimi ma‘lumotni yaxshiroq tushunishga yordam beradi. Bu nuqtai nazardan klasterizatsiya masalasi tavsifiy masala bo‘ladi (discriptive). Klasterizatsiya bosqichlari uchun yozuvlar va o‘zgaruvchilar orasidagi farq 28 yo‘qligidir, aksincha yaqinroq guruhlar va o‘xshash yozuvlar izlanadi. Avtomatik klasterlarga bo‘linish usuli to‘g‘ridan – to‘g‘ri kam ishlatiladi, faqat o‘xshash ob‘yektlar guruhini hosil qilish uchun ishlatiladi. Klasterlarga ajratish bilan analiz boshlanadi. Klasterlarni aniqlagandan so‘ng bosha Data Mining usullaridan foydalanib, klasterlarga bo‘linish nimani bildirishi, u nima bilan bog‘liqligini aniqlashga harakat qiladi[13,14]. Klasterlar analizining katta ahamiyatga egaligi shundaki, u ob‘yektlar bo‘linishini bitta parametr bo‘yicha olmaydi, balki butun belgilar majmuasini qamrab oladi. Bundan tashqari klasterlar analizi boshqa ko‘pgina matematik – statistik usullardan farqli ravishda, qaralayotgan ob‘yektlarga hech qanday chegaralash quyilmaydi va ma‘lumotlarning boshlang‘ich to‘plami sifatida tabiatdagi ixtiyoriy to‘plamni qarashga yo‘l beradi. Klasterlar analizi katta hajmdagi axborotlarni ko‘rish va keskin qisqartirish, katta massivli axborotlarni siqish, ularni kompakt va yaqqol qilish imkoniyatini beradi. Klasterizatsiya masalasi o‘rganilayotgan ob‘yektlar to‘plamini klasterlar deb ataluvchi ―o‘xshash‖ ob‘yektlar guruhlariga ajratishdan iborat. Klaster so‘zi ingliz tilidan kelib chiqqan bo‘lib (claster), zichlik, dasta, guruh kabi tarjima qilish mumkin. Adabiyotda qo‘llaniladigan o‘xshash ma‘nolari sinf, takson, zichlanish degan ma‘nolarni beradi. Ba‘zan, to‘plam elementlarini klasterlarga ajratish masalasi klasterlar analizi deb ataladi. Klassefikatsiya masalasining yechimida har bir ma‘lumotlar ob‘yekti oldindan aniqlangan bir (yoki bir necha) sinfga oid bo‘ladi va ma‘lumotlar ob‘ekti to‘plamini sinflarga ajratish aniq hisoblarga asoslanadi. Klasterlash masalasida esa har bir ma‘lumotlar ob‘ektlari oldindan aniqlangan bir (yoki bir necha) sinflarga oidligi aniqlanadi. Ma‘lumotlar ob‘ektlarini klasterlarga ajratish ham ularni shakllantirish bilan bir vaqtda amalga oshiriladi. Klasterlarni aniqlash va ma‘lumotlar ob‘ektlari bo‘yicha bo‘linish ma‘lumotlarning yakuniy modelini beradi. Bu model o‘z vaqtida klasterizatsiya masalasining yechimi bo‘ladi[14]. Qaralayotgan klasterizatsiya masalasining qator xususiyatlarini qaraymiz. 29 - Birinchidan, ob‘ektlar ma‘lumotlari yechmi tabiatiga (va ular atributiga ) kuchli bog‘liq. Demak, boshqa tamondan bu ob‘ektlarning qat‘iy miqdoriy qiyofasini aniqlaydi, boshqa tamondan esa ehtimollikka ega yoki noqat‘iy tavsifli ob‘ektlarni bildiradi. - Ikkinchidan, yechim sinfining ifodalanishi va faraz qilingan ma‘lumotlar ob‘ekti munosabatiga va sinflarga ham katta bog‘liq. Ob‘ektlarning bir necha sinfga qarashli bo‘lish imkoniyati borligi yoki imkoni yo‘qligini bilish zarur. Sinfga qarashlilik xossasining o‘zini ham aniqlash zarur: bir qiymatli (qarashli, qarashli emas), ehtimollik (qarashlilik ehtimoli), noqat‘iy (qarashlilik darajasi). Klasterizatsiya masalasi ma‘lumotlarning intellektual analizida muhim o‘rin egallab, uning yechimi uchun ko‘pgina usullar ishlab chiqilgan. Ulardan biri – ma‘lumotlar ob‘ektining berilgan sinfga qarashli yoki qarashli emasligini ko‘rsatuvchi sinflarning xarakteristik funksiyalari majmuasini qurish. Sinflarning xarakteristik funksiyasi ikki ko‘rinishda bo‘lishi mumkin: 1. Ma‘lumotlar ob‘ektini berilgan sinfga qarashli yoki qarashli emasligi ma‘nolariga teng kuchli aniq ikki qiymatdan birini qabul qiladigan diskret funksiya. 2. 0...1 intervaldagi haqiqiy qiymatlar qabul qiladigan funksiya. Funksiya qiymati 1 ga qancha yaqin bo‘lsa, ma‘lumotlar ob‘ekti berilgan sinfga shuncha ko‘p qarashli bo‘ladi. Klasterizatsiya masalasi yechimiga umumiy yo‘nalish L. Zadening noqat‘iy to‘plamlar nazariyasi rivojidan kelib chiqqan. Berilgan yondashish chegarasi sifatida tushunchalarni formallashtirish mumkin. Real jarayonlardagi va ma‘lumotlardagi noaniqlikni yo‘qotish mumkin. Bu yondashuvning afzallik jihatlari shundaki, ma‘lumotlarning anashu jarayonida inson qatnashadi, baholar va xulosalar sub‘ekti bo‘ladi. Noqat‘iy to‘plamlar nazariyasi asoschisi L. Zade aytganidek: ―noqat‘iylikni insonning mavjudligi kabi universal reallik deb qabul qiluvchi yangi tushunchalar va usullar kompleksi bo‘yicha yangi nuqtai nazar zarur edi‖[14]. Klasterizatsiya masalasini yechishda noqat‘iy to‘plamlar nazariyasini 30 qo‘llash bilan masalani ijobiy hal qiluvchi turli usullarni hosil qilish mumkin. Noqat‘iylikni xuddi ma‘lumotlarning ifodalanishi va ularning o‘zaro aloqasini yozish kabi o‘rganish mumkin. Bundan tashqari ma‘lumotlar miqdoriy tabiatga ega bo‘lishi ham, bo‘lmasligi ham mumkin. Bundan tashqari ko‘pgina tajribaviy masalalarni o‘rganishni talab qiladi va inson tamonidan to‘plangan tajribalarga asoslagan bo‘lib, ko‘p hollarda miqdoriy ifodaga ega bo‘ladi. O‘rganilayotgan ma‘lumotlarning noqat‘iyligini umumiy holda hisoblash juda muammo. Shuning uchun maxsus algoritmlar va yondashuvlar mavjud bo‘lib, boshlang‘ich ma‘lumotlarning noqat‘iy bo‘linishiga yo‘l qo‘ymaydi. Ma‘lumotlar qat‘iy va miqdoriy deb hisoblanadi. Noqat‘iy ma‘lumotlarning o‘zaro aloqasini turli usullarda tasniflash mumkin. Xuddi shunday usullardan biri, noqat‘iy ma‘lumotlarni klasterlash algoritmlarini qo‘llashda keng tarqalganlaridan biri algoritmlarning o‘zaro aloqasini klasterizatsiyalash markazi va munosabatlar orqali tavsiflanishidir[15]. Yüklə 1,59 Mb. Dostları ilə paylaş:
|