Laikrindu klasterizācija ar tradicionālām mašīnmācīšanās algoritmu metodēm un Kohonena neironu tīklu

Abstract

Laikrindu analīze ir svarīga statistikas nozare, lai pētītu datu uzvedību laikā. Laikrindu datu klasterizācija ļauj atklāt datu uzvedību, tendences un anomālijas. Darba mērķis ir aplūkot tradicionālās klasterizācijas metodes, tādas kā, k -vidējo klasterizāciju un hierarhisko klasterizāciju, kā arī apskatīt uz neironu tīkliem balstītu klasterizācijas algoritmu, kas pazīstams kā Kohonena tīkls. Darbā ir doti ieskati par visu trīs algoritmu darbības principiem. Ar simulāciju palīdzību, algoritmi ir salīdzināti uz reālu datu piemēriem.

Time series analysis is an important method for studying data behavior over time. Clustering time series data allows for the discovery of data behavior, trends, and anomalies. The Bachelor paper examines traditional clustering methods, such as k-means clustering and hierarchical clustering, as well as a neural network-based clustering algorithm known as the Kohonen network. The paper provides insights into the operating principles of all three algorithms and compares performances of algorithms.