Normalleştirme, yedek verileri ortadan kaldırmak için kullanılır ve kümeleme algoritmalarının verimliliğini artırabilen kaliteli kümelerin oluşturulmasını sağlar. Bu nedenle, Öklid mesafesi olarak kümelemeden önce önemli bir adım haline gelir. farklılıklardaki değişikliklere çok duyarlıdır[3].
K-araç kümelemesi için verileri normalleştirmemiz gerekiyor mu?
k-NN yönteminde olduğu gibi, kümeleme için kullanılan özellikler karşılaştırılabilir birimlerde ölçülmelidir. Bu durumda, 6 özelliğin tümü 5 puanlık bir ölçekte ifade edildiğinden, birimler bir sorun değildir. Normalleştirme veya standardizasyon gerekli değildir.
Kümelemeden önce verileri nasıl hazırlarsınız?
Veri Hazırlama
R'de bir küme analizi gerçekleştirmek için genellikle veriler aşağıdaki gibi hazırlanmalıdır: Satırlar gözlemlerdir (bireyler) ve sütunlar değişkenlerdir. Verilerdeki herhangi bir eksik değer kaldırılmalı veya tahmin edilmelidir. Değişkenleri karşılaştırılabilir kılmak için verilerin standartlaştırılması (yani ölçeklenmesi) gerekir.
Veriler kümeleme için ölçeklenmeli mi?
Kümelemede, bu örnekler için tüm özellik verilerini bir sayısal değerde birleştirerek iki örnek arasındaki benzerliği hesaplarsınız. Özellik verilerinin birleştirilmesi, verilerin aynı ölçekte olmasını gerektirir.
Kümelemeden önce özellikleri Normalleştirmek neden önemlidir?
Standardizasyon, Veri için önemli bir adımdırönişleme.
Bu yazıda açıklandığı gibi, k-ortalama, Newton algoritmasını, yani gradyan tabanlı bir optimizasyon algoritmasını kullanarak hata fonksiyonunu en aza indirir. Verileri normalleştirmek, bu tür algoritmaların yakınsamasını iyileştirir.
