Hiyerarşik Kümeleme
Hierarchical Agglomerative Clustering · Ayrıca şöyle bilinir: Hiyerarşik Kümeleme, hiyerarşik kümeleme, agglomerative clustering, hierarchical agglomerative clustering, HAC
Hiyerarşik kümeleme, gözlemleri iç içe geçmiş kümelere ayıran ve sonucu bir dendrogram olarak çizen, böylece küme sayısının önceden belirlenmesi gerekmeyen denetimsiz bir yöntemdir. Toplayıcı (agglomerative) biçimi, Joe Ward tarafından 1963'te tanıtılan hedef-fonksiyon gruplama kriterine dayanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+9 tane daha
Ne zaman kullanılır
Küme sayısını önceden belirlemeden yapıyı keşfetmek istediğinizde, sürekli, sıralı veya kategorik özellikler üzerinde en az yaklaşık 10 gözlemle keşifsel gruplama için kullanın. Varsayımları hafiftir ancak iki seçime dayanır: uygun bir uzaklık metriği ve uygun bir bağlama yöntemi. Yaklaşık 10 gözlemin altında uzaklık matrisi güvenilmezdir ve dendrogram anlamlı bir yapı gösteremez, bu nedenle K-means daha güvenli bir alternatiftir; çok küçük örneklemlerde sonuçlar bağlama yöntemine aşırı duyarlı hale gelir ve küme üyelikleri kararsızdır.
Güçlü yönler & sınırlılıklar
- Küme sayısının önceden belirlenmesini gerektirmez — dendrogramdan okunur.
- Dendrogram, kümelerin farklı benzerlik seviyelerinde nasıl iç içe geçtiğine dair yorumlanabilir bir görsel harita sunar.
- Varsayımları hafiftir: normallik gerektirmez ve uzaklık seçimi aracılığıyla sürekli, sıralı ve kategorik özellikleri barındırır.
- Belirli bir bölümlemeye karar vermeden önce yapıyı ortaya çıkarmak için bir keşif aracı olarak çalışır.
- Sonuçlar, kullanıcının kararları olan seçilen uzaklık metriği ve bağlama yöntemine büyük ölçüde bağlıdır.
- Küçük örneklemlerde küme üyelikleri kararsızdır ve bağlama yöntemine aşırı duyarlıdır.
- Yaklaşık 10 gözlemin altında uzaklık matrisi güvenilmezdir ve dendrogram anlamlı bir yapı göstermez.
SSS
Önce küme sayısını seçmem gerekiyor mu?
Hayır. Hiyerarşik kümeleme tam birleştirme ağacını yine de oluşturur ve küme sayısına daha sonra seçtiğiniz bir yükseklikte dendrogramı keserek karar verirsiniz — bu, K-means gibi yöntemlere göre ana avantajlarından biridir.
Hangi uzaklık metriğini ve bağlamayı kullanmalıyım?
Her ikisi de sonucu güçlü bir şekilde şekillendiren bilinçli seçimlerdir. Uzaklık metriği özellik türlerinize uymalıdır ve Ward'ın bağlaması, her birleştirmede küme içi varyanstaki artışı en aza indirerek kümeleri kompakt tuttuğu için yaygın bir varsayılan değerdir.
Ne kadar gözleme ihtiyacım var?
En az yaklaşık 10. Bunun altında uzaklık matrisi güvenilmezdir ve dendrogram anlamlı bir yapı ortaya koyamaz, bu nedenle K-means daha güvenli bir alternatiftir.
Neden kümelerim kararsız?
Küçük örneklemlerde sonuç bağlama yöntemine aşırı duyarlıdır, bu nedenle küme üyelikleri küçük değişikliklerle kayar. Bu durumda K-means veya Gauss karışım modeli düşünün.
Kaynaklar
- Ward, J. H. (1963). Hierarchical Grouping to Optimize an Objective Function. Journal of the American Statistical Association, 58(301), 236–244. DOI: 10.1080/01621459.1963.10500845 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Hierarchical Agglomerative Clustering. ScholarGate. https://scholargate.app/tr/machine-learning/hierarchical-clustering
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Faktör AnaliziAraştırma istatistiği↔ karşılaştır
- Gauss Karışım ModeliMakine öğrenmesi↔ karşılaştır
- Temel Bileşen AnaliziMakine öğrenmesi↔ karşılaştır