Submit Search
Upload
クラスタリング
•
1 like
•
2,763 views
W
Wakamatz
Follow
クラスタリング概説
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 15
Download now
Download to read offline
Recommended
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
Kenji Urai
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
Shuyo Nakatani
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
「統計的学習理論」第1章
「統計的学習理論」第1章
Kota Matsui
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
Ken'ichi Matsui
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
logics-of-blue
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
Recommended
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
Kenji Urai
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
Shuyo Nakatani
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
「統計的学習理論」第1章
「統計的学習理論」第1章
Kota Matsui
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
Ken'ichi Matsui
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
logics-of-blue
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
MICの解説
MICの解説
logics-of-blue
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
Hiroshi Shimizu
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
強化学習その3
強化学習その3
nishio
第五回統計学勉強会@東大駒場
第五回統計学勉強会@東大駒場
Daisuke Yoneoka
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
Ichigaku Takigawa
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Masahiro Suzuki
グラフィカル Lasso を用いた異常検知
グラフィカル Lasso を用いた異常検知
Yuya Takashina
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
takehikoihayashi
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Hiroshi Shimizu
セグメント?クラスタリング? ユーザーを分類し、サービスの改善に活かすポイント
セグメント?クラスタリング? ユーザーを分類し、サービスの改善に活かすポイント
Naoto Tamiya
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
数式を使わずイメージで理解するEMアルゴリズム
数式を使わずイメージで理解するEMアルゴリズム
裕樹 奥田
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
MCMCによるベイズ因子分析法について
MCMCによるベイズ因子分析法について
考司 小杉
PRML輪読#1
PRML輪読#1
matsuolab
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
More Related Content
What's hot
MICの解説
MICの解説
logics-of-blue
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
Hiroshi Shimizu
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
強化学習その3
強化学習その3
nishio
第五回統計学勉強会@東大駒場
第五回統計学勉強会@東大駒場
Daisuke Yoneoka
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
Ichigaku Takigawa
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Masahiro Suzuki
グラフィカル Lasso を用いた異常検知
グラフィカル Lasso を用いた異常検知
Yuya Takashina
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
takehikoihayashi
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Hiroshi Shimizu
セグメント?クラスタリング? ユーザーを分類し、サービスの改善に活かすポイント
セグメント?クラスタリング? ユーザーを分類し、サービスの改善に活かすポイント
Naoto Tamiya
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
数式を使わずイメージで理解するEMアルゴリズム
数式を使わずイメージで理解するEMアルゴリズム
裕樹 奥田
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
MCMCによるベイズ因子分析法について
MCMCによるベイズ因子分析法について
考司 小杉
PRML輪読#1
PRML輪読#1
matsuolab
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
What's hot
(20)
MICの解説
MICの解説
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
強化学習その3
強化学習その3
第五回統計学勉強会@東大駒場
第五回統計学勉強会@東大駒場
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
不均衡データのクラス分類
不均衡データのクラス分類
深層生成モデルと世界モデル
深層生成モデルと世界モデル
グラフィカル Lasso を用いた異常検知
グラフィカル Lasso を用いた異常検知
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
セグメント?クラスタリング? ユーザーを分類し、サービスの改善に活かすポイント
セグメント?クラスタリング? ユーザーを分類し、サービスの改善に活かすポイント
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
数式を使わずイメージで理解するEMアルゴリズム
数式を使わずイメージで理解するEMアルゴリズム
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
MCMCによるベイズ因子分析法について
MCMCによるベイズ因子分析法について
PRML輪読#1
PRML輪読#1
Stan超初心者入門
Stan超初心者入門
クラスタリング
1.
クラスタリング @Wakamatz
2.
ものまね鳥をまねる会 「ものまね鳥をまねる」の読書会 (原著:TO MOCK A MOCKINGBIRD)
ラムダ計算と等価なSKIコンビネータ論理を学ぶ。 次回11/16
3.
クラスタリングとは クラスタリングは、データ解析手法の一種。 教師なしデータ分類手法、つまり与えられたデータを外的基準
なしに自動的に分類する手法。 データの集合をある特徴(多くは類似性)で部分集合(クラスタ) に分割する。 機械学習やデータマイニング、パターン認識、イメージ解析やバ イオインフォマティックスなど多くの分野で用いられる。
4.
クラスタリングの分類 分割最適化クラスタリング K-平均法など
階層型クラスタリング 凝集型クラスタリング 単リンク法,完全リンク法など 分枝型クラスタリング スペクトラルクラスタリングなど
5.
分割最適化クラスタリング
6.
K-平均法(K-MEANS) 1. 各点をK個のクラスタをそれぞれランダムに割り振る。
) ) ) % BSHNJO ]] Ã ] 2. 各クラスタの重心を求める。 3. 各点のクラスタを、一番近い重心のクラスタに変更する。 Þ'Þ 4% )' ] 4. 2.、3.を収束するまで繰り返す。
7.
K-平均法の可視化 てっく煮ブログ K-means 法を
D3.js でビジュアライズしてみた
8.
ソフトK-平均法(K-MEANS) 距離の代わりに確率的にクラスタを決定する。 混合ガウスモデルに対するEMアルゴリズムである。
混合ガウスモデル , ]N U ' 4* がクラスタ' に属する確率 , * ' !4, Ã D]] Ã ]] クラスタの重心 4* N' !4, Ã D]] Ã ]] % 4* N% ' N ' , * ' * 4* , * ' *
9.
K-メドイド法(K-MEDOIDS) 1. 各点をK個のクラスタをそれぞれランダムに割り振る。
2. 各クラスタのメドイド(クラスタの各点からの距離の総和が最小 となる点)を求める。 %Ç ' BSHNJO %À' À' 4% 4 3. 各点のクラスタを、一番近いメドイドのクラスタに変更する。 % BSHNJO Þ'Þ 4% 4%Ç ' 4. 2.、3.を収束するまで繰り返す。
10.
凝集型クラスタリング
11.
凝集型クラスタリング 1. 最初は各データがひとつのクラスタを成す。各データ間には非
類似性をしめす尺度が与えられている。(たとえばユークリッド 距離) 2. もっとも近いクラスタと結合してひとつのクラスタにする。 3. クラスタ数がK個に達したら終了する。
12.
単リンク法(SINGLE LINKAGE)
NJO 4À 4À 4 4
13.
凝集型クラスタリング 完全リンク法(Complete Linkage)
NBY 4À 4À - 群平均法(Group Average) 4 4 ]]]] À 4 À 4 4 4
14.
凝集型クラスタリングの例 Elements of
Statistical Learning
15.
THANK YOU.
Download now