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].
Dostları ilə paylaş: |