طريقة الكوع (تجميع)
المحتويات

على سبيل التعريف، في تحليل المجموعات، تعتبر طريقة الكوع طريقة استدلالية تستعمل في تحديد عدد المجموعات في مجموعة البيانات. تتكون الطريقة من رسم التباين الموضح كدالة لعدد المجموعات واختيار كوع المنحنى كعدد المجموعات التي يجب استخدامها. يمكن استخدام نفس الطريقة لاختيار عدد المعلمات في نماذج أخرى تعتمد على البيانات، مثل عدد المكونات الأساسية لوصف مجموعة البيانات. ونتناول فيما يلي مزيدًا من التفاصيل.
وفي السياق ذاته، يمكن إرجاع هذه الطريقة إلى تكهنات روبرت إل ثورندايك في عام 1953.
مقاييس التباين
- انظر كذلك
- تحديد عدد المجموعات في مجموعة البيانات
- قطعة صخرية
في هذا الإطار، هناك مقاييس مختلفة لـ "التباين الموضح" المستعملة في طريقة الكوع. في أغلب الأحيان، يتم قياس التباين، والنسبة المستعملة هي نسبة التباين بين المجموعات إلى التباين الإجمالي. وبدلاً من ذلك، يمكن استخدام نسبة التباين بين المجموعات إلى التباين داخل المجموعة، وهي إحصائية اختبار إف أحادية الاتجاه.
نقد
علاوةً على ذلك، حتى في حالة البيانات العشوائية الموحدة (بدون مجموعات ذات معنى)، يتبع المنحنى على وجه التقريب النسبة 1/ن حيث ن هو عدد معلمات المجموعات، مما يتسبب في رؤية المستعملين "كوعًا" لاختيار عدد "أمثل" من المجموعات عن طريق الخطأ.
من جانب آخر، تعتبر طريقة الكوع ذاتية وغير موثوقة. في الكثير من التطبيقات العملية، يكون اختيار "الكوع" غامضًا للغاية حيث لا تحتوي الدالة على كوع حاد. يمكن أن ينطبق هذا كذلك في الحالات التي تتفق فيها جميع الطرق الأخرى لتحديد عدد المجموعات في مجموعة البيانات على عدد المجموعات.
وفي هذا السياق، نظرًا لأن المحورين (عدد المجموعات والتباين المتبقي) ليس لهما علاقة دلالية، فإن المحاولات المختلفة لالتقاط الكوع من خلال "الميل" غير محددة جيدًا وحساسة لنطاق المعلمات. إن زيادة الحد الأقصى لعدد المجموعات يمكن أن يؤدي إلى تغيير موقع "الكوع" المتصور، وفي الكثير من الحالات تعتبر الأساليب البديلة مثل معيار نسبة التباين أو متوسط عرض الصورة الظلية أكثر موثوقية. ولكن حتى مع مثل هذه التدابير، قد تعتمد النتائج إلى حدّ كبير على المعالجة المسبقة للبيانات (اختيار الميزات والتوسع)، وقد يصل المستعملون إلى نتائج تجميع مختلفة للغاية على نفس البيانات.
حدس
وعلى صعيد آخر، الحدس هو أن زيادة عدد المجموعات ستؤدي بشكل طبيعي إلى تحسين الملاءمة (شرح المزيد من التباين)، نظرًا لوجود المزيد من المعلمات (المزيد من المجموعات) لاستخدامها، ولكن في مرحلة ما يكون هذا مناسبًا بشكل مفرط، ويعكس الكوع هذا. مثلًا، نظراً للبيانات التي تتكون فعلياً من ن مجموعة مُسمّاة - مثلًا، ن نقطة تم أخذ عينات منها باستخدام الضوضاء - فإن التجميع بأكثر من ن مجموعة سوف "يفسر" المزيد من التباين (لأنه يمكن أن يستعمل مجموعات أصغر وأكثر إحكاماً)، ولكن هذا مبالغة، لأنه يقسم المجموعات المُسمّاة إلى مجموعات متعددة. الفكرة هي أن المجموعات الأولى ستضيف الكثير من المعلومات (تشرح الكثير من التنوع)، نظرًا لأن البيانات تتكون في الواقع من هذا العدد الكبير من المجموعات (لذا فإن هذه المجموعات ضرورية)، ولكن بمجرد أن يتجاوز عدد المجموعات العدد الفعلي للمجموعات في البيانات، ستنخفض المعلومات المضافة بشكل حاد، لأنها مجرد تقسيم للمجموعات الفعلية. بافتراض حدوث ذلك، سيكون هناك انحراف حاد في الرسم البياني للتباين الموضح مقابل المجموعات: يتزايد بسرعة حتى ن (منطقة نقص الملاءمة)، ثم يتزايد ببطء بعد ن (منطقة فرط الملاءمة).
علاوةً على ذلك، إن استخدام "المرفق" أو "ركبة المنحنى" كنقطة قطع يعد أسلوبًا شائعًا في التحسين الرياضي لاختيار نقطة حيث لم تعد العائدات المتناقصة تستحق التكلفة الإضافية. في التجميع، يعني هذا أنه يجب اختيار عدد من المجموعات بحيث لا يؤدي إضافة مجموعة أخرى إلى إعطاء نمذجة أفضل للبيانات.
📝 هل في هذه المقالة خطأ؟
إذا وجدت معلومة تحتاج تصحيحاً أو إضافة، أو أردت حذف المقالة، أرسل لنا طلباً وسنراجعه.
ما رأيك في هذه المقالة؟