Вопрос или проблема
Я хочу предсказать, какое устройство использовалось в какой комнате. Поэтому у меня есть данные по устройствам и сенсорам.
Моя идея состояла в том, чтобы создать вектор признаков следующим образом:
----------------------------------------------------------
Data-Vector: | u_1 u_2 u_3 | x_1 ... x_7 | y_1 ... y_12 | z_1 ... z_4 |
----------------------------------------------------------
Categories: | device_data | room 1 data | room 2 data | room 3 data |
----------------------------------------------------------
Мои данные по устройствам содержат, помимо прочего:
+ временные метки включения/выключения устройства
+ среднее потребление энергии и отклонения
Мои данные по комнатам содержат, например:
+ данные сенсоров детекторов движения и временные метки
+ данные сенсоров ламп (включены/выключены) и временные метки
+ данные о погоде
В векторе признаков у меня есть данные по комнатам, наиболее близкие к временной метке включения/выключения.
Все точки данных сами по себе являются числами с плавающей точкой.
Моя идея состояла в использовании k-means для кластеризации.
Мои проблемы:
1. При использовании k-means, как я могу определить, какой кластер соответствует какой комнате (room1, room2 или room3)?
2. Я думаю, что было бы полезно добавить информацию о том, какой сенсор к какой комнате относится.
Могу ли я изменить данные в алгоритме k-means так, чтобы он учитывал только:
данные устройства и данные по комнате 1 для первого кластера и устанавливал все остальное в ноль
данные устройства и данные по комнате 2 для второго кластера
и так далее…
Таким образом, я мог бы сказать, что кластер x соответствует комнате x.
Или это как-то нарушит работу алгоритма k-means?
Если у вас есть заранее известные метки, то используйте метки, а не кластеризацию.
Кластеризация достаточно сложная и хрупкая, поэтому всегда предпочитайте более простое решение, если можете.
Не очень ясно, что вы пытаетесь решить. Выбрать столбцы, чтобы разделить данные на комнаты? Просто выберите столбцы тогда.
Ответ или решение
Для решения задачи предсказания того, какое устройство использовалось в какой комнате на основе данных об устройстве и сенсорах, использование алгоритмов кластеризации может показаться логичным выбором. Однако, давайте более подробно разберем, как можно к этой задаче подойти.
Теория
Кластеризация — это метод машинного обучения, который позволяет группировать данные на основе их сходства, без использования предварительно известных меток. Один из наиболее популярных алгоритмов кластеризации — это k-means, который разбивает данные на (k) кластеров таким образом, чтобы расстояние между точками внутри кластера было минимальным, а между кластерами — максимальным. Однако основная проблема использования k-means в вашей задаче заключается в том, что он не даёт априори метки для кластеров, что делает интерпретацию результатов сложной без дополнительной информации.
Пример
Рассмотрим пример вашего предположения: у вас есть вектор признаков, который содержит данные об устройстве и три группы данных о комнатах. Вы предполагаете, что сможете определить соответствие каждого кластера определенной комнате, основываясь на структуре данных. Однако, без дополнительной информации о том, как данные кластеров сопоставить с комнатой, это может быть затруднительно. Если настройки сенсоров или устройства слишком похожи во всех комнатах, то кластеры могут нечетко определить разные группы.
Применение
-
Использование априорной информации: Если у вас действительно есть метки, указывающие, какое устройство используется в какой комнате на этапе обучения, использование методов классификации, таких как логистическая регрессия или деревья решений, будет более целесообразным. Это позволит использовать всю доступную информацию эффективно.
-
Анализ данных и выбор признаков: Если метки недоступны, и вы хотите использовать кластеризацию, убедитесь, что вектор признаков даёт достаточно информации для различения комнат. Возможно, добавление уникальных идентификаторов для сенсоров в каждой комнате увеличит различимость данных в пространстве признаков.
-
Структурирование данных для k-means: Использование только части данных в каждом кластере, как вы предлагаете («обнуление» других данных), не является каноническим использованием k-means и может сильно исказить его работу. Операции над данными, предшествующие кластеризации, такие как нормализация или уменьшение размерности, могут оказаться более эффективными.
-
Интерпретация результатов кластеризации: Даже после успешной кластеризации вам всё равно потребуется метод для интерпретации, к какой комнате относится каждый кластер. Это может быть достигнуто визуализацией данных или оценкой характеристик каждого кластера.
-
Альтернативные методы кластеризации: Исследуйте разотличные методы кластеризации, такие как иерархическая кластеризация или кластеризация на основе плотности (DBSCAN), которые могут более точно отразить вашу структуру данных.
Заключение
Кластеризация может быть ценным инструментом для анализа данных и выявления скрытых паттернов. Однако в случае определения, какое устройство используется в какой комнате, она может быть не самой подходящей техникой, особенно если заранее известны ассоциации. Рассмотрите возможность использования методов классификации, если у вас доступны метки, или попытайтесь структурировать данные так, чтобы они более очевидно отражали принадлежащие к различным комнатам кластеры. Это позволит получить более точные и интерпретируемые результаты.