अनसुपरवाइज़्ड लर्निंग

अपर्यवेक्षित अधिगम मशीन अधिगम का एक प्रकार है, जिसमें एल्गोरिदम बिना लेबल वाले डेटा से पैटर्न सीखता है। इसका उपयोग अक्सर समूहीकरण, आयामों में कमी और असामान्यता की पहचान के लिए किया जाता है।

इस पाठ में आप के-मीन्स और पदानुक्रमित समूहीकरण जैसी समूहीकरण तकनीकों का अन्वेषण करेंगे।

अपर्यवेक्षित अधिगम में पहले से निर्धारित लेबल के बिना डेटा का विश्लेषण और समूहीकरण किया जाता है। इसका उद्देश्य डेटा में छिपी हुई संरचनाओं या पैटर्न की पहचान करना है।

प्रमुख कार्यों में शामिल हैं:

• समूहीकरण: समान डेटा बिंदुओं को समूहित करना।
• आयामों में कमी: महत्वपूर्ण जानकारी को बनाए रखते हुए विशेषताओं की संख्या कम करना।

के-मीन्स एक लोकप्रिय समूहीकरण एल्गोरिदम है, जो विशेषताओं की समानता के आधार पर डेटा को K समूहों में विभाजित करता है। आइए देखें कि यह कैसे काम करता है:

# Example: K-Means Clustering
from sklearn.cluster import KMeans
import numpy as np

# Sample data
X = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])

kmeans = KMeans(n_clusters=2, random_state=0)
kmeans.fit(X)
print("Cluster Centers:", kmeans.cluster_centers_)
print("Labels:", kmeans.labels_)

पदानुक्रमित समूहीकरण समान डेटा बिंदुओं को समूहित करने के लिए वृक्ष जैसी संरचना (डेंड्रोग्राम) बनाता है। इसमें समूहों की संख्या पहले से निर्धारित करना आवश्यक नहीं होता।

# Example: Hierarchical Clustering
from scipy.cluster.hierarchy import dendrogram, linkage
import matplotlib.pyplot as plt

# Sample data
X = [[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]]

linked = linkage(X, 'single')
dendrogram(linked)
plt.show()

आयामों में कमी, महत्वपूर्ण जानकारी को बनाए रखते हुए विशेषताओं की संख्या कम करके डेटा को सरल बनाती है। प्रधान घटक विश्लेषण (PCA) इस कार्य के लिए एक सामान्य तकनीक है।

# Example: PCA
from sklearn.decomposition import PCA
import numpy as np

# Sample data
X = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])

pca = PCA(n_components=1)
X_reduced = pca.fit_transform(X)
print("Reduced Data:", X_reduced)

अपर्यवेक्षित अधिगम का उपयोग निम्नलिखित में किया जाता है:

• ग्राहक विभाजन: व्यवहार के आधार पर ग्राहकों को समूहित करना।
• विसंगति की पहचान: डेटा में असामान्य पैटर्न की पहचान करना।
• छवि संपीड़न: गुणवत्ता बनाए रखते हुए छवि का आकार कम करना।

क्लस्टरों का दृश्यांकन डेटा बिंदुओं के समूहों को समझने में सहायता करता है। मैटप्लॉटलिब और सीबॉर्न इस उद्देश्य के लिए उपयोगी हैं:

# Example: Visualizing clusters
import matplotlib.pyplot as plt

# Sample data and labels
X = [[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]]
labels = [0, 0, 0, 1, 1, 1]

for i in range(len(X)):
    plt.scatter(X[i][0], X[i][1], c='r' if labels[i] == 0 else 'b')
plt.show()

अनिर्देशित अधिगम में कई चुनौतियाँ होती हैं, जिनमें शामिल हैं:

• क्लस्टरों की संख्या निर्धारित करना: के-मीन्स में आपको पहले से क्लस्टरों की संख्या निर्दिष्ट करनी होती है।
• व्याख्येयता: क्लस्टरों का अर्थ हमेशा स्पष्ट नहीं होता।
• विस्तार-क्षमता: बड़े डेटा समुच्चयों को संभालने में बहुत अधिक संगणना करनी पड़ सकती है।

इन कुछ गलतियों से बचें:

• के-मीन्स में क्लस्टरों की गलत संख्या चुनना।
• आँकड़ों का पूर्व-संसाधन न करना, जैसे विशेषताओं का मापनीकरण न करना।
• सत्यापन के बिना क्लस्टरों की अति-व्याख्या करना।

इस पाठ में आपने सीखा:

• अनिर्देशित अधिगम की मूल बातें और इसके प्रमुख कार्य।
• के-मीन्स और पदानुक्रमित क्लस्टरीकरण को लागू करना।
• PCA का उपयोग करके विमीयता घटाने की अवधारणा।
• अनिर्देशित अधिगम के अनुप्रयोग, चुनौतियाँ और सामान्य गलतियाँ।

बहुत अच्छा! अब अगले विषय पर चलते हैं।