6 - Gözetimsiz Öğrenme Metotları

Sınıflandırma ve regreasyon gibi gözetimli öğrenme modellerinin yanı sıra gözetimsiz öğrenme metotları da makine öğrenmesi uygulamaları içinde sıkça kullanılmaktadır. Sınıflandırma ve regrasyon analizinden farklı olarak gözetimsiz öğrenme yöntemlerinde bir eğitim verisi ile tahmin modeli oluşturulmamaktadır.

Spark MLlib’de K-Means gibi yaygın olarak kullanılan kümeleme metodunun yanı sıra çizge kümeleme için Power Iteration Clustering (PIC), hiyerarşik kümeleme için Bisecting k-means yöntemlerini ve Latent Dirichlet allocation (LDA) ve Gaussian Mixture Model (GMM) metotları sunulmaktadır.

Scala’da k-means metodunun örnek bir kullanımı aşağıda sunulmuştur.

import org.apache.spark.ml.clustering.KMeans
import org.apache.spark.ml.evaluation.ClusteringEvaluator

// Loads data.
val dataset = spark.read.format("libsvm").load("data/mllib/sample_kmeans_data.txt")

// Trains a k-means model.
val kmeans = new KMeans().setK(2).setSeed(1L)
val model = kmeans.fit(dataset)

// Make predictions
val predictions = model.transform(dataset)

// Evaluate clustering by computing Silhouette score
val evaluator = new ClusteringEvaluator()

val silhouette = evaluator.evaluate(predictions)
println(s"Silhouette with squared euclidean distance = $silhouette")

// Shows the result.
println("Cluster Centers: ")
model.clusterCenters.foreach(println)

---

Bu Türkçe notlar Prof. Pınar KARAGÖZ tarafından kaynak olarak Apache Spark web sitesindeki bilgilerden faydalanılarak hazırlanmıştır. Scala kodlama örnekleri aynı kaynaktan alınmıştır.