Методы классификации. 
Определение университетского рейтинга

В машинном обучении есть основная задача — обучение без учителя. Цель обучения без учителя заключается в том, чтобы найти скрытые структуры в непомеченных данных.

Обучение без учителя тесно связано с проблемой оценки плотности в статистике. 3] Однако, обучение без учителя охватывает также и многие другие методы, которые стремятся обобщить и объяснить основные характеристики данных. Многие методы, применяемые в обучение без учителя, основанные на методах data mining, используются для предварительной обработки данных.

Подходы обучения без учителя включают в себя:

• · кластерный анализ (например, метод k-средних или иерархическая кластеризация)[4]
• · классификацию (например, методом k-ближайших соседей)
• · скрытые Марковские модели Скрытая марковская модель (СММ) — статистическая модель, имитирующая работу процесса, похожего на марковский процесс с неизвестными параметрами, и задачей ставится разгадывание неизвестных параметров на основе наблюдаемых. Полученные параметры могут быть использованы в дальнейшем анализе, например, для распознавания образов

Кластерный анализ

Кластерный анализ или кластеризация заключается в том, чтобы сгруппировать объекты таким образом, чтобы более похожии между собой объекты попали в одну группу (называемую кластером). Различные способы статистического анализа данных используются во многих областях, в том числе в машинном обучении, распознавание образов, анализе изображений, информационном поиске и в биоинформатике.

Задача может быть решена с помощью разных алгоритмов, которые существенно различаются в определении кластера и эффективности его нахождения. Кластеризация может быть сформулирована в виде многокритериальной задачи оптимизации. Алгоритм кластеризации и параметры (в том числе и такие значения, как функции расстояния или просто метрика, плотность или порог ожидаемого количества кластеров) зависят от индивидуального набора данных и планируемого использования результатов. Другими словами: у пользователя на руках данные и поставленная задача, и он сам выбирает подходящие параметры и алгоритм кластеризации, учитывая задачу и набор данных, чтобы решить ее быстрее и удобнее.

Определение По словам Владимира Эстил-Кастро, понятие «кластер Тем не менее, давайте приведем одно из определений этого понятия Кластер (англ. cluster — скопление) — объединение нескольких однородных элементов, которое может рассматриваться как самостоятельная единица, обладающая определёнными свойствами.» не может быть точно определено — это является одной из причин, почему существует так много алгоритмов кластеризации. 5] Разные исследователи используют различные методы кластеризации. Так как поиск кластеров производится по средствам различных алгоритмов, в значительной мере варьируется и их свойства. Понимание «методов кластеризации» является ключом к пониманию различий между разными алгоритмами. Типичный метод кластеризации включает в себя:

• · Модель включения объекта в кластер, например: иерархическая кластеризация, строит кластеры, основанные на расстоянии между объектами
• · Центройдная модель: например, алгоритм k-средних представляет каждый кластер как один средний вектор
• · Модель подпространств: бикластеризация (также известная как двухэтапный кластерный анализ)
• · Графики на основе моделей: клики Кликой в неориентированном графе G = (V, E) называется подмножество вершин C Ѓє V, такое что для любых двух вершин в C существует ребро их соединяющее. Это эквивалентно утверждению, что подграф, порождённый C является полным.

Кластерный анализ представляет собой в основном набор таких кластеров, как правило, содержащие все объекты в наборе данных. Кроме того, он может указать отношения между кластерами, например, иерархию, внедренную в кластеры между ними.

Кластеризацию можно условно разделить на:

• · жесткую кластеризацию: каждый объект принадлежит к кластеру или не принадлежит
• · мягкую кластеризацию (также: нечеткую кластеризацию): каждый объект, в определенной степени, принадлежит к каждому кластеру (например, принадлежность к кластеру с некоторой вероятностью)

Существуют также более тонкие различия между разными алгоритмами кластерного анализа, например:

• · строгое разбиение кластеризации: здесь каждый объект принадлежит ровно к одному кластеру
• · строгое разбиение кластеризации с островами: объекты могут и не принадлежать к кластерам, и считаются выбросами
• · накладываемая кластеризация (также: альтернативная кластеризация, multi-view кластеризация): объекты могут относиться более чем к одному кластеру
• · иерархическая кластеризация: объекты, которые принадлежат к кластеру-ребенку также принадлежат и к кластеру-родителю