הנורמליזציה משמשת לביטול נתונים מיותרים ומבטיחה שנוצרים אשכולות באיכות טובה שיכולים לשפר את היעילות של אלגוריתמי אשכולות. לכן זה הופך לשלב חיוני לפני התקבצות כמרחק אוקלידי רגיש מאוד לשינויים בהבדלים[3].
האם אנחנו צריכים לנרמל נתונים עבור אשכול K-means?
כמו בשיטת k-NN, יש למדוד את המאפיינים המשמשים לאשכול ביחידות דומות. במקרה זה, יחידות אינן מהוות בעיה שכן כל 6 המאפיינים באים לידי ביטוי בסולם של 5 נקודות. אין צורך בנורמליזציה או סטנדרטיזציה.
איך מכינים נתונים לפני יצירת אשכולות?
הכנת נתונים
כדי לבצע ניתוח אשכולות ב-R, בדרך כלל, יש להכין את הנתונים באופן הבא: שורות הן תצפיות (יחידים) ועמודות הן משתנים. יש להסיר או להעריך כל ערך חסר בנתונים. הנתונים חייבים להיות סטנדרטיים (כלומר, לשנות קנה מידה) כדי להפוך משתנים להשוות.
האם צריך לשנות את קנה המידה של נתונים לאשכולות?
באשכולות, אתה מחשב את הדמיון בין שתי דוגמאות על ידי שילוב של כל נתוני התכונה עבור דוגמאות אלה לערך מספרי. שילוב של נתוני תכונה מחייב שהנתונים יהיו באותו קנה מידה.
למה חשוב לנרמל תכונות לפני יצירת אשכולות?
סטנדרטיזציה היא צעד חשוב ב-Dataעיבוד מקדים.
כפי שהוסבר במאמר זה, ה-k-means ממזער את פונקציית השגיאה באמצעות אלגוריתם ניוטון, כלומר אלגוריתם אופטימיזציה מבוסס גרדיאנט. נורמליזציה של הנתונים משפרת את ההתכנסות של אלגוריתמים כאלה.
