Ensemble HDBSCAN
Ensemble Hierarchical Density-Based Spatial Clustering of Applications with Noise · Ayrıca şöyle bilinir: HDBSCAN ensemble clustering, consensus HDBSCAN, multi-run HDBSCAN, cluster ensemble HDBSCAN
Ensemble HDBSCAN, HDBSCAN'i farklı hiperparametre ayarları veya veri alt örnekleri altında birden çok kez çalıştırır ve ortaya çıkan bölümlendirmeleri tek bir kararlı uzlaşım kümelemesinde birleştirir. HDBSCAN, minimum küme boyutu ve minimum örnek parametrelerine duyarlı olduğundan, birden çok çalıştırmanın bir araya getirilmesi, herhangi bir tek konfigürasyona olan duyarlılığı büyük ölçüde azaltır ve gürültülü, yüksek boyutlu veriler üzerinde daha tekrarlanabilir küme atamaları sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Ensemble HDBSCAN'i şu durumlarda kullanın: (1) veri kümesi, k-means gibi küresel-küme yöntemleriyle iyi yakalanamayan karmaşık, değişen yoğunluklu kümelere sahipse, (2) sonuçların HDBSCAN hiperparametre seçimlerine karşı sağlam olması gerekiyorsa veya (3) hafif farklı ayarlar çalıştıran analistler arasında tekrarlanabilirlik gerekiyorsa. Yoğunluk yapısının gerçek olduğu ancak parametre duyarlılığının yüksek olduğu yüksek boyutlu verilerde — genomik, metin gömüleri, sensör akışları — özellikle değerlidir. Hesaplama bütçesi kısıtlıysa ve tek bir iyi ayarlanmış HDBSCAN çalıştırması yeterliyse veya kümeler kabaca küresel ise ve k-means veya GMM daha hızlı ve daha basitse kaçının. Denetimli veya yarı denetimli yöntemlerin uygulandığı etiketli veriler için uygun değildir.
Güçlü yönler & sınırlılıklar
- Birçok konfigürasyon üzerinde ortalama alarak HDBSCAN hiperparametrelerine olan duyarlılığı azaltır.
- HDBSCAN'in keyfi şekilli, değişen yoğunluklu kümeleri bulma ve gerçek gürültü noktalarını tanımlama yeteneğini miras alır.
- Herhangi bir tek HDBSCAN çalıştırmasından daha tekrarlanabilir küme atamaları üretir.
- Eş-ilişkilendirme matrisi, sonraki belirsizlik analizi için faydalı olan yumuşak bir üyelik sinyali sağlar.
- Bireysel çalıştırmalar çekirdekler arasında paralelleştirildiğinde iyi ölçeklenir.
- Tek bir HDBSCAN çalıştırmasından önemli ölçüde daha fazla hesaplama maliyetlidir; maliyet topluluk üyelerinin sayısıyla ölçeklenir.
- Uzlaşım adımı, doğrulanması gereken kendi hiperparametre seçimlerini (eşik, uzlaşım algoritması) getirir.
- Çalıştırmalar arasında gürültü işleme önemsiz değildir: birçok çalıştırmada gürültü olarak etiketlenen noktalar belirsiz bir şekilde yerleştirilebilir.
- Yaygın olarak benimsenmiş standart bir uygulama yoktur; kullanıcılar genellikle HDBSCAN ve özel uzlaşım kodundan boru hattını bir araya getirmelidir.
SSS
Topluluk kaç HDBSCAN çalıştırması içermelidir?
Eş-ilişkilendirme matrisinin stabilize olması için genellikle en az 20-50 çalıştırma önerilir. 100 çalıştırmanın ötesinde, kararlılıktaki kazançlar genellikle marjinaldir, oysa hesaplama maliyeti artmaya devam eder. Çalıştırmalar ekledikçe eş-ilişkilendirme matrisi yakınsamasını izleyin.
Toplulukta gürültü noktaları nasıl ele alınmalıdır?
Eş-ilişkilendirme matrisini oluştururken her çalıştırmanın gürültü noktalarını tekil olarak ele alın — o çalıştırma için kendi kümelerinde sayılırlar. Uzlaşım sonrası, herhangi bir grupla sürekli olarak düşük eş-ilişkilendirmeye sahip noktalar kararlı gürültü olarak belirlenebilir.
Hangi uzlaşım algoritması HDBSCAN bölümlendirmeleriyle en iyi çalışır?
Eş-ilişkilendirme matrisinin 1 eksiği üzerinde ortalama bağlantılı hiyerarşik kümeleme yaygın ve iyi doğrulanmış bir seçimdir. Hiyerarşik kümelemenin yavaş olduğu çok büyük veri kümelerinde eş-ilişkilendirme grafiği üzerinde spektral kümeleme gibi grafik tabanlı yöntemler daha iyi çalışabilir.
Uzlaşım eşiğini nasıl seçerim?
Eşiği bir hiperparametre olarak ele alın ve bir iç geçerlilik indeksi (DBCV veya siluet) kullanarak seçin. 0.5 civarında bir eşik yaygın bir başlangıç noktasıdır, ancak çok sıkı veya çok gevşek kümelere sahip veri kümeleri farklı değerlere ihtiyaç duyabilir.
Topluluk yerine tek bir HDBSCAN çalıştırmasını ne zaman tercih etmeliyim?
Alan bilgisi hiperparametreleri güvenilir bir şekilde belirliyorsa veya hesaplama bütçesi çok sınırlıysa, tek bir iyi ayarlanmış HDBSCAN çalıştırması daha hızlıdır ve genellikle yeterlidir. Topluluk, hiperparametre seçimi belirsiz olduğunda veya farklı analistlerin aynı segmentasyonu yeniden üretmesi gerektiğinde en çok işe yarar.
Kaynaklar
- McInnes, L., Healy, J., & Astels, S. (2017). hdbscan: Hierarchical density based clustering. Journal of Open Source Software, 2(11), 205. DOI: 10.21105/joss.00205 ↗
- Vega-Pons, S., & Ruiz-Shulcloper, J. (2011). A survey of clustering ensemble methods. International Journal of Pattern Recognition and Artificial Intelligence, 25(03), 337–372. DOI: 10.1142/S0218001411008683 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Ensemble Hierarchical Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/tr/machine-learning/ensemble-hdbscan
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Topluluk K-meansMakine öğrenmesi↔ karşılaştır
- HDBSCANMakine öğrenmesi↔ karşılaştır
- K-ortalama KümelemeMakine öğrenmesi↔ karşılaştır
- Yarı denetimli HDBSCANMakine öğrenmesi↔ karşılaştır