Rozdział w monografii
Brak miniatury
Licencja
ClosedAccessDostęp zamknięty
 

Przestrzenne uczenie nienadzorowane

Uproszczony widok
dc.abstract.plUczenie maszynowe nienadzorowane (Unsupervised Learning, USL) nie zakłada żadnego strukturalnego ani hierarchicznego uporządkowania danych wejściowych. Nie wyodrębnia się zmiennych objaśnianych ani objaśniających. Celem stosowania metod USL jest określenie struktury, rozkładu lub wspólnych cech charakterystycznych danych, co pozwala na lepsze ich zrozumienie. Podstawowymi algorytmami USL jest klastrowanie (grupowanie) oraz tworzenie związków (asocjacji). W zagadnieniach przestrzennych, gdy wykorzystywane są dane punktowe geolokalizowane w przestrzeni geograficznej (x,y) oraz ewentualnie przypisane im wartości cechy (z), następuje domyślna klasyfikacja zmiennych na koordynaty i charakterystyki. Z natury rzeczy, dane są w częściowo ustrukturalizowane - sprofilowane wykorzystując koordynaty lub wartości cech. Może istnieć kilka podejść do analizowania takich danych. Po pierwsze, możliwe jest grupowanie w odniesieniu wyłącznie do koordynat (x.y), gdzie poszukiwane są klastry przestrzenne punktów zlokalizowanych sąsiedzko – i dalej w ramach wyodrębnionych klastrów przestrzennych badane są cechy (z) punktów. Wykorzystywać tu można algorytmy kśrednich, PAM i CLARA (7.1) oparte na macierzy odległości czy statystykę DBSCAN (7.2) opartą na gęstości lokalizacji. Po drugie, możliwe jest grupowanie cech (z) w poszukiwaniu grup obserwacji podobnych wielowymiarowo – i dalej ich mapowanie w celu określenia, czy to podobieństwo cech przekłada się na sąsiedztwo przestrzenne. Wykorzystywać tu można przestrzenną analizę głównych składowych (7.3) czy dryf przestrzenny (7.4). Po trzecie możliwe jest podejście łączące grupowanie danych i klastrowanie przestrzenne - w oparciu o hierarchiczne klastrowanie z ograniczeniem przestrzennym (7.5) czy przestrzenne skośne drzewa decyzyjne (7.6). W tym rozdziale przedstawione zostaną te algorytmy. Rozdział pomija detekcję klastrów chorób (Spatial Clusters of Diseases), która bazuje na statystykach Openshaw GAM, Besag-Newell, Kulldorffa-Nagarwalla. W tym podejściu bada się liczbę przypadków (choroby, zgonów) w danym obszarze do populacji (i oczekiwanej liczby zdarzeń) na tym terenie. W testowaniu ich istotności wykorzystuje się permutację jak również rozkłady Multinomial, Poisson czy Poisson-Gamma. W R dostępne są pakiety DCluster::, smerc:: czy SpatialEpi::, które zawierają oprogramowane komendy dla tych metod. W rozdziale nie zostały także poruszone zagadnienia przestrzennej segregacji oprogramowane w R w pakietach seg:: i OasisR::. Dobrym uzupełnieniem tego rozdziału jest książka pt. The elements of statistical learning: data mining, inference, and prediction (Hastie, Tibshirani i Friedman, 2017), która w szczegółach omawia uczenie maszynowe nadzorowane i nienadzorowane, liniowe metody regresji, regularyzację, wygładzanie jądrowe, wybór modeli i walidację krzyżową, drzewa, sieci neuronowe, SVM, klastrowanie w oparciu o kryterium najbliższego sąsiedztwa, lasy losowe i modele graficzne – jednak głównie w odniesieniu do danych a-przestrzennych.
dc.affiliationUniwersytet Warszawski
dc.contributor.authorKopczewska, Katarzyna
dc.date.accessioned2024-01-29T02:31:25Z
dc.date.available2024-01-29T02:31:25Z
dc.date.issued2020
dc.description.financeNie dotyczy
dc.identifier.urihttps://repozytorium.uw.edu.pl//handle/item/158812
dc.identifier.weblinkhttps://cedewu.pl/Przestrzenne-metody-ilosciowe-w-R-statystyka-ekonometria-uczenie-maszynowe-analiza-danych-p2865
dc.languagepol
dc.pbn.affiliationeconomics and finance
dc.publisher.ministerialCeDeWu
dc.relation.bookPrzestrzenne metody ilościowe w R: statystyka, ekonometria, uczenie maszynowe, analiza danych
dc.relation.pages465-528
dc.rightsClosedAccess
dc.sciencecloudnosend
dc.subject.plklastrowanie
dc.subject.plPAM
dc.subject.plDBSCAN
dc.subject.plPrzestrzenna Analiza Głównych Składowych
dc.subject.plk-średnich
dc.subject.pldryf przestrzenny
dc.subject.plprzestrzenne klastrowanie hierarchiczne
dc.subject.plprzestrzenne skośne drzewa decyzyjne
dc.titlePrzestrzenne uczenie nienadzorowane
dc.typeMonographChapter
dspace.entity.typePublication