Алгоритми кластеризації

🔬 Алгоритми

K-means

Розділення на k кластерів через ітеративне оновлення центрів. Швидкий, масштабований, але потребує заданої кількості кластерів. Популярний для багатьох задач.

Hierarchical Clustering

Побудова дерева кластерів (dendrogram). Agglomerative (знизу вгору) або divisive (зверху вниз). Не потребує числа кластерів, але складніший за обчислення.

DBSCAN

Clustering на основі густини. Знаходить кластери довільної форми, виявляє outliers. Не потребує числа кластерів. Ефективний для шумних даних.

Gaussian Mixture Models

Ймовірнісна кластеризація через суміш гаусів. Soft clustering (ймовірності приналежності). EM алгоритм для навчання. Гнучкіші за K-means.

🎯 Метрики та оцінка

Silhouette Score

Вимірює якість кластеризації: наскільки об'єкти подібні до свого кластеру та відрізняються від інших. Від -1 до 1, вищий краще.

Elbow Method

Визначення оптимальної кількості кластерів через аналіз within-cluster sum of squares (WCSS). "Ліктьова" точка на графіку. Еврістичний метод.

Davies-Bouldin Index

Міра якості: середня схожість між кластерами відносно їх розмірів. Нижчий краще. Використовується для вибору числа кластерів.

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте Hash Function Avalanche Visualizer і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.