تجميع قائم على النماذج
التجميع المعتمد على النموذج (MBC) هو منهج في التعلم الآلي غير الخاضع للإشراف حيث يتم تجميع نقاط البيانات في مجموعات بناءً على نموذج احتمالي بدلاً من المقاييس المعتمدة على المسافة فقط. فبدلاً من مجرد العثور على أقرب الجيران، تفترض نماذج MBC أن البيانات قد تم إنشاؤها من مزيج من التوزيعات الاحتمالية الأساسية، حيث يمثل كل توزيع مجموعة مميزة.
بالنسبة لذكاء الأعمال، توفر نماذج MBC طريقة صارمة إحصائيًا لتقسيم مجموعات البيانات المعقدة. على عكس طرق التجميع البسيطة التي قد تنشئ حدودًا اعتباطية، توفر نماذج MBC إطارًا احتماليًا، مما يسمح للمحللين بتحديد احتمالية انتماء نقطة بيانات إلى مجموعة معينة كميًا. يؤدي هذا إلى رؤى عمل أكثر قوة وقابلية للدفاع عنها.
التطبيق الأكثر شيوعًا لـ MBC هو نماذج الخليط الغاوسي (GMMs). تفترض نماذج GMM أن نقاط البيانات مأخوذة من مزيج من عدة توزيعات غاوسية. تقوم الخوارزمية بتقدير المعلمات (المتوسط، والتباين المشترك، وأوزان الخلط) لهذه التوزيعات بشكل تكراري. يتم بعد ذلك تعيين كل نقطة بيانات إلى المجموعة التي يمتلك توزيعها أعلى احتمال لتوليد تلك النقطة. يتعلم النموذج الهيكل الأساسي للبيانات، بدلاً من مجرد تقارب النقاط.
يعد التجميع المعتمد على النموذج ذا قيمة عالية عبر العديد من المجالات:
