K-means algoritmi yordamida ma'lumotlarni klasterlash - Информатика и ИТ - Курсовые работы

Информация о документе

Цена	10000UZS
Размер	297.3KB
Покупки	0
Дата загрузки	06 Ноябрь 2026
Расширение	docx
Раздел	Курсовые работы
Предмет	Информатика и ИТ

K-means algoritmi yordamida ma'lumotlarni klasterlash

Купить

K-means algoritmi yordamida ma'lumotlarni klasterlash
MUNDARIJA
Kirish ................................................................................................................................................................. 2
K-means algoritmiga umumiy tushuncha ......................................................................................................... 3
Klasterlashni aniqlash ....................................................................................................................................... 4
K-Klasterlash degani ......................................................................................................................................... 5
K-means klasterining qo’llanilishi ..................................................................................................................... 8
K-means algoritmi haqida ................................................................................................................................. 8
Klasterlash turlari ............................................................................................................................................ 10
K-means algoritmining matematik asoslari ..................................................................................................... 11
K-means algoritmini qo’llash jarayoni ............................................................................................................. 12
K-means algoritmi afzalliklari va kamchiliklari ................................................................................................ 15
Ma’lumotlarni tayyorlash: .............................................................................................................................. 16
Xulosa ............................................................................................................................................................. 17
Foydalanilgan adabiyotlar: .............................................................................................................................. 18

Kirish
Zamonaviy dunyoda ma'lumotlarning miqdori kun sayin oshib bormoqda. Bu
ma'lumotlarni tahlil qilish va ulardan foydalanish uchun turli algoritmlar qo’llaniladi.
Klasterlash algoritmlari ma'lumotlarni bir xil xususiyatlarga ega guruhlarga ajratishga
yordam beradi. Ushbu kurs ishida ma'lumotlarni klasterlash uchun ishlatiladigan eng
ommabop usullardan biri – K-means algoritmi haqida batafsil ma'lumot beriladi.
Ishning asosiy maqsadi ushbu algoritmning nazariy va amaliy jihatlarini o’rganish va
uni haqiqiy ma'lumotlar to’plamida qo’llash orqali natijalarni baholashdir.
Ma’lumotlarni klasterlash mashinali o’qitishda muhim jarayon bo’lib, u
ma’lumotlarni har bir klaster ichidagi obyektlar turli klasterlardagi obyektlarga
qaraganda bir-biriga ko’proq o’xshash bo’lishi uchun guruhlarga (klasterlarga)
ajratish imkonini beradi. Klasterlashning eng ommabop algoritmlaridan biri K-means
algoritmidir.
2

K-means algoritmiga umumiy tushuncha
Klasterlash – bu degani nazoratsiz o’rganish algoritmi va nazoratsiz o’rganish
algoritmlari ichida K-vositalari klasterlash o’zining kuchi va soddaligi tufayli eng
keng tarqalgan bo’lishi mumkin
Klasterlash algoritmlaridan quyidagi sohalarda foydalaniladi:
- Marketingda mijozlarni segmentatsiya qilish;
- Tibbiyotda bemorlarni guruhlash;
- Tasvirni tahlil qilish va ma'lumotlarni vizualizatsiya qilish;
- Web-sayt foydalanuvchilarini kuzatish va ularga mos tavsiyalarni taklif etish.
1-rasm.
3

Klasterlashni aniqlash
K-vositalari klasterlashni amalga oshirish uchun ishlatiladigan aniq
algoritmlarni ko’rib chiqishdan oldin, keling, umumiy klasterlashni aniqlashga biroz
vaqt ajratamiz.
Klasterlar shunchaki elementlar guruhlari, klasterlash esa faqat shu guruhlarga
elementlarni joylashtirishdir. Ma'lumot fani ma'nosida, klasterlash algoritmlari ikkita
narsani qilishni maqsad qilgan:
 Klasterdagi barcha ma'lumotlar nuqtalari iloji boricha bir-biriga o’xshashligiga
ishonch hosil qiling.
 Turli klasterlardagi barcha ma'lumotlar nuqtalari iloji boricha bir-biriga
o’xshamasligiga ishonch hosil qiling.
Klaster algoritmlari elementlarni bir-biriga o’xshashlik ko’rsatkichi asosida
guruhlaydi. Bu ko’pincha ma'lumotlar to’plamidagi mumkin bo’lgan turli
guruhlarning “markazini” topish orqali amalga oshiriladi, lekin faqat emas. Turli xil
klasterlash algoritmlari mavjud, ammo barcha klasterlash algoritmlarining maqsadi
bir xil bo’lib, ma'lumotlar to’plamiga xos bo’lgan guruhlarni aniqlashdir.
4

K-Klasterlash degani
K-Means Clustering klasterlash algoritmlarining eng qadimgi va eng ko’p
qo’llaniladigan turlaridan biri bo’lib, u quyidagilarga asoslanib ishlaydi. vektor
kvantlash . Kosmosda boshlang’ich sifatida tanlangan nuqta bor, so’ngra vektorlar
boshlang’ichdan ma'lumotlar to’plamidagi barcha ma'lumotlar nuqtalariga chiziladi.
Umuman olganda, K klasterlashni besh xil bosqichga bo’lish mumkin:
 Barcha misollarni kichik to’plamlarga joylashtiring, bu erda kichik to’plamlar
soni K ga teng.
 Yangi yaratilgan klaster bo’limlarining o’rtacha nuqtasini/centroidini toping.
 Ushbu centroidlarga asoslanib, har bir nuqtani ma'lum bir klasterga tayinlang.
 Har bir nuqtadan markazgacha bo’lgan masofani hisoblang va markazdan
masofa minimal bo’lgan klasterlarga nuqtalarni belgilang.
 Klasterlarga ballar tayinlangandan so’ng, klasterlarning yangi markazini
toping.
Yuqoridagi amallar o’quv jarayoni tugagunga qadar takrorlanadi.
2-rasm.
5

Dastlabki bosqichda centroidlar ma'lumotlar nuqtalari orasida bir joyga
joylashtiriladi.
Shu bilan bir qatorda, centroidlar joylashtirilgandan so’ng, biz K-vositalari
klasterini ikki xil faza o’rtasida oldinga va orqaga almashish sifatida tasavvur
qilishimiz mumkin: ma'lumotlar nuqtalarini belgilash va markazlarni yangilash.
3-rasm.
Ikkinchi bosqichda, Evklid masofasi kabi masofa ko’rsatkichi berilgan nuqta
qaysi markazga yaqinroq ekanligini hisoblash uchun ishlatiladi va keyin nuqtalar
ushbu markaz sinfiga tayinlanadi.
Ma'lumotlar nuqtasini etiketlash bosqichida har bir ma'lumot nuqtasiga uni eng
yaqin markazga tegishli klasterga joylashtiradigan yorliq beriladi. Eng yaqin markaz
odatda kvadrat Evklid masofasidan foydalangan holda aniqlanadi, ammo Manxetten
masofasi, Kosinus va Jakkard masofasi kabi boshqa masofa ko’rsatkichlari
klasterlash algoritmiga kiritilgan ma'lumotlar turiga qarab ishlatilishi mumkin.
6

4-rasm.
Uchinchi bosqichda centroid barcha ma'lumotlar nuqtalarining o’rtacha
qiymatiga o’tkaziladi. Keyin sinflar qayta tayinlanadi.
Centroidni yangilash bosqichida centroid hozirda klasterda mavjud bo’lgan
barcha ma'lumotlar nuqtalari orasidagi o’rtacha masofani topish yo’li bilan
hisoblanadi.
7

K-means klasterining qo’llanilishi
K-ma'lumotlar punktlarini alohida guruhlarga/sinflarga bo’lish mumkin
bo’lgan har qanday vaziyatda klasterlash xavfsiz ishlatilishi mumkin. K-o’rtacha
klasterlash uchun umumiy foydalanish holatlariga ba'zi misollar.
K-means klasterlash hujjatlarni tasniflash, hujjatlarni mavzular, teglar,
so’zlardan foydalanish, metadata va boshqa hujjat xususiyatlari kabi xususiyatlar
asosida guruhlashda qo’llanilishi mumkin. Bundan tashqari, foydalanuvchilarni
postlar va sharhlar kabi faoliyat shakllariga qarab botlar yoki botlar emas deb
tasniflash uchun foydalanish mumkin. K-means klasterlash odamlarni sog’lig’ini
kuzatishda tashvish darajasiga qarab guruhlarga qo’shish uchun ham foydalanish
mumkin, masalan, kasalliklar, yoshi, bemor tarixi va boshqalar.
K-means klasterlash tavsiya tizimlarini yaratish kabi ochiqroq vazifalar uchun
ham ishlatilishi mumkin. Netflix kabi tizim foydalanuvchilarini ko’rish naqshlari va
tavsiya etilgan shunga o’xshash kontent asosida guruhlash mumkin. K-vositalari
klasterlash anomaliyalarni aniqlash vazifalari uchun ishlatilishi mumkin, bu
firibgarlik yoki nuqsonli narsalarni ta'kidlaydi.
K-means algoritmi haqida
K-means algoritmi ma'lumotlarni oldindan belgilangan K sonli klasterlarga
bo’lish uchun ishlatiladi. Algoritm ma'lumotlar to’plamidagi har bir nuqtani eng
yaqin klaster markaziga (centroid) bog’laydi. Jarayon quyidagi bosqichlarni o’z
ichiga oladi:
1. Klaster markazlari tasodifiy tarzda tanlanadi.
8

2. Har bir ma'lumot nuqtasi eng yaqin markazga biriktiriladi.
3. Klaster markazlari har bir klasterning o’rtacha qiymatiga asoslanib
yangilanadi.
4. 2-3-bosqichlar takrorlanadi, to yangi klaster markazlari o’zgarmaguncha.
9

Klasterlash turlari
1. Klasterlash usullari klasterlar qanday shakllanishiga qarab farq qiladi:
2. Qattiq klasterlash: har bir ma'lumot nuqtasini bir aniq klasterga tayinlaydi.
3. Yumshoq klasterlash (qaytalanadigan klasterlash): ma'lumot nuqtalarining
turli darajadagi a'zolikka ega bo’lishiga imkon beradi.
4. Hiyerarxik klasterlash: klasterlar ierarxiyasini quradi, bu klasterlarni
dendrogramma yordamida tasvirlash imkonini beradi.
5. Pressiyaga asoslangan klasterlash: ma'lumotlardagi zich hududlarga
asoslangan klasterlarni shakllantiradi, bu esa tasodifiy shakldagi klasterlarni
topishga va shovqinlarni boshqarishga yordam beradi.
5-rasm.
10

K-means algoritmining matematik asoslari
K-means algoritmi klasterlar orasidagi ichki farqlarni minimallashtirishga
asoslanadi. Matematik model quyidagicha ifodalanadi:
J = ∑(i=1, K) ∑(x ∈ C_i) ||x - μ _i||²
Bu yerda:
- J – umumiy yo’qotish funksiyasi.
- K – klasterlar soni.
- x – ma'lumot nuqtasi.
- μ _i – i-klasterning markazi.
- ||x - μ _i||² – ma'lumot nuqtasi bilan markaz orasidagi masofa.
11

K-means algoritmini qo’llash jarayoni
Quyida K-means algoritmini Python dasturlash tilida qo’llash misoli
keltirilgan:
#Kutubxonalarni yuklash
import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
# Ma'lumotlar to’plamini yaratish
data = np.array([
[20, 5000],
[25, 5500],
[30, 6000],
[35, 6500],
[40, 7000],
[45, 7500],
[50, 8000],
])
# K-means algoritmini qo’llash
12

kmeans = KMeans(n_clusters=2, random_state=0)
kmeans.fit(data)
# Grafik chizish
plt.scatter(data[:, 0], data[:, 1], c=kmeans.labels_, cmap='rainbow')
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], color='black',
marker='x')
plt.title('K-means algoritmi natijalari')
plt.xlabel('Yosh')
plt.ylabel('Daromad')
plt.show()
13

6-rasm.
Ma'lumotlar qaysi centroidga eng yaqin bo’lsa ular shu klasterga tegishli
bo’ladi. Keyin, har bir tsiklda biz centroidni oldingi qiymat bilan taqqoslash orqali
o’zgartiramiz va ma'lumotlardan markazgacha (centroid) bo’lgan masofani yana
hisoblaymiz. K-means algoritmi, uning ishlash tamoyillari, afzalliklari va
kamchiliklarini o’rganish. Muayyan masala uchun K-means algoritmi asosida
klasterlash modelini ishlab chiqish va amalga oshirish. Olingan natijalarni tahlil
qilish.
14

K-means algoritmi afzalliklari va kamchiliklari
Afzalliklari:
Amalga oshirishning soddaligi.
Katta hajmdagi ma’lumotlar uchun samaradorlik.
Turli sohalarda keng qo’llanilishi.
Kamchiliklari:
Dastlabki zarurat
Amalga oshirishning soddaligi.
Katta hajmdagi ma’lumotlar uchun samaradorlik.
Turli sohalarda keng qo’llanilishi.
Klasterlar sonini oldindan K deb belgilash lozim.
Sentroidlarning boshlang’ich qiymatlariga sezgirlik.
Klasterlarning kompaktligi va qavariqligi haqidagi faraz.
Klasterlashtirish modelini amalga oshirish
Dasturlash tili va kutubxonani tanlash:
Modelni amalga oshirish uchun Scikit-learn kutubxonasi bilan Python kabi turli xil
dasturlash tillari va kutubxonalardan foydalanish mumkin.
15

Ma’lumotlarni tayyorlash:
Ma’lumotlarni yuklash.
Ma’lumotlarga dastlabki ishlov berish (normallashtirish, standartlashtirish).
Belgilarni tanlash.
K-means algoritmini qo’llash:
Modelning initsializatsiyasi.
Modelni o’rgatish.
Bashorat qilish.
Natijalar tahlili
Klasterlarni vizuallashtirish: Ikki yoki uch o’lchovli ma’lumotlar uchun
sochilish grafiklarini qurish.
Klasterlash sifatini baholash: siluet koeffitsiyenti, Devis-Boldin indeksi kabi
metrikalardan foydalanish.
Natijalar talqini: Olingan klasterlarni predmet sohasi nuqtayi nazaridan tahlil
qilish.
16

Xulosa
K-means algoritmi ma’lumotlarni klasterlash uchun kuchli vositadir. U
ma’lumotlarni avtomatik ravishda guruhlarga ajratish imkonini beradi, bu esa
mijozlarni segmentlash, anomaliyalarni aniqlash, ma’lumotlarni siqish va boshqalar
kabi turli vazifalar uchun foydali bo’lishi mumkin. Biroq, K-means algoritmidan
foydalanishda uning cheklovlarini hisobga olish va model parametrlarini sinchkovlik
bilan tanlash kerak. K-means algoritmi oddiyligi va samaradorligi tufayli ko’plab
tahlil usullarida qo’llaniladi. Ushbu algoritmning asosiy ustunligi tezligi va ishlatish
qulayligi, ammo u ma'lumotlarning soniga va K qiymatining tanlanishiga sezgir.
Kelgusida algoritmni kengaytirish va boshqa klasterlash usullari bilan solishtirish
maqsadga muvofiqdir.
17

Foydalanilgan adabiyotlar:
1. Delpech. M. Comparable Corpora and Computer Assisted Translation, 2014
2. Rensburg, A. v. Snyman, C. L. (2012): “Applying Google Translate in a
higher education environment: translation products assessed”. Southern
African Linguistics and Applied Languages Studies 30.4, 511-524.
3. E.M. Delpech. Comparable Corpora and Computer Assisted Translation,
2014
4. Berikov V. S. Klaster tahlilining zamonaviy tendentsiyalari / V. S. Berikov,
G. S. Lbov. - "Axborot va telekommunikatsiya tizimlari" ustuvor yo'nalishi
bo'yicha ko'rib chiqish va tahliliy maqolalarning Butunrossiya tanlovi,
2008. - 26 p.
5. Kotov, A. Ma'lumotlarni klasterlash [Elektron resurs]. – Kirish rejimi:
http://logic.pdmi.ras.ru/~yura/internet/02ia-seminar-note.pdf.
6. Mandel, I. D. Klaster tahlili / I. D. Mandel. - M .: Moliya va statika, 1988. -
176 b.
7. Protasov, C.C. Qanday qilib katta ma'lumotlar IT sanoatining eng qiziqarli
vazifalaridan biriga aylandi [Elektron resurs]. – Kirish rejimi:
http://andrew-- r.github.io/bigdata/.
8. Suslov, S. A. Klaster tahlili: mohiyati, afzalliklari va kamchiliklari / S. A.
Suslov. // Vestnik NGIEI. - 2011. - 1-son. - S. 51-56.
9. Blanko-Silva, F.J. Raqamli va ilmiy hisoblash uchun fanni o'rganish / F. J.
Blanko-Silva. – Packt nashriyoti, 2015. – 150 b.
10. https://www.unite.ai/uz/k-nima-degani-klasterlash-demakdir/
11. https://www.linkedin.com/pulse/k-means-clustering-applications-real-
world-mz4df
18

K-means algoritmi yordamida ma'lumotlarni klasterlash

Купить

Похожие документы
3d-max dasturida obektlarni yaratish
Algoritm va ma’lumotlar strukturasi
3D-MAX dasturi haqida
3D Studio MAX dasturiga kirish. 3D Studio MAX dasturi haqida tushuncha
Adobe photoshop dasturida tasvirlarda ishlov berish,taqdimot yaratish