UMĚLÁ INTELIGENCE V AUTOMOTIVE / David et al.

Znaky objektu a samotný objekt jsou pečlivě definovány a nad nimi je definováno shlukování. Tato objektová shlukování jsou označována jako klasická a shlukování nad nimi je pak nazýváno klasickým shlukováním. Nedostatečnost klasického shlukování se v oblasti datové analýzy projevuje ze jména v situacích, kdy se data vyskytují ve složitějších a nehomogenních strukturách. Klasické shlukovací metody často selhávají při identifikaci skrytých vzorů v datech, kte ré mají například nelineární nebo hierarchické charakteristiky. Tento nedostatek vede k neschopnosti správně identifikovat a interpretovat skutečné shluky v datech a násled ně vytvářet přesné modely a predikce. Nejnovější vývoj v oblasti analýzy dat a strojového učení se zaměřuje na řešení tohoto problému prostřednictvím pokročilých algoritmů a technik zpracování dat. V klasickém shlukování se často setkáváme s problémem interpretace „vágních“ hodnot znaků, kdy je potřeba přiřadit hodnotu, která co nejvíce vystihuje charakter daného znaku objektu. Tento proces zahrnuje výběr tzv. „hlavní hodnoty“ z celého roz sahu „vágní“ hodnoty, nebo z mnoha možných hodnot výběr pouze jedné hodnoty. Tímto způsobem však dochází ke ztrátě informace obsažené ve „vágnosti“, což může mít vliv na výsledky shlukování. což může výrazně ovlivnit výsledky procesu shlukování. Vágnost je klíčovým faktorem při identifikaci a klasifikaci datových bodů a její ztráta může vést k chybným interpretacím a nesprávnému rozhodování. Proto je důležité při analýze dat pečlivě zvažovat možné dopady této ztráty a vyhledávat metody, které mini malizují riziko vzniku vágnosti a zachovávají co nejvíce informací. V praxi se často setkáváme s objekty, které nelze přesně charakterizovat pomocí standardních typů znaků. Tyto objekty mohou obsahovat znaky, jejichž hodnoty nejsou přesně definovatelné, ať už proto, že mohou nabývat více hodnot současně, nebo proto, že existuje neurčitost nebo vágnost v určení hodnot daného znaku. V případě takových objektů není možné aplikovat klasické metody shlukování přímo, a je třeba hledat spe ciální přístupy k jejich analýze a kategorizaci. 6.2 ALGORITMY FUZZY SHLUKOVANÍ V rámci řešení další kapitoly je výklad zaměřen na metody fuzzy shlukování, které jsou dalším nástrojem umělé inteligence. Fuzzy metody shlukování představují inovativ ní přístup k analýze dat, který překonává omezení tradičních metod. Zatímco tradiční přístupy shlukování, jak již bylo dříve uvedeno, přiřazují každý objekt pouze do jed noho shluku, fuzzy metody umožňují objektům příslušnost k více shlukům současně s různými stupni příslušnosti. [6.19], [6.20] Fuzzy shlukování Fuzzy shlukování je statistická technika analýzy dat, která se zaměřuje na mo delování nejistoty v procesu přiřazování dat do shluků a která umožňuje seskupování datových bodů do skupin nebo shluků na základě jejich vzájemné podobnosti. Jak již bylo v úvodu kapitoly naznačeno jednou z výrazných charakteristik je skutečnost, že v kontrastu s tradičními metodami shlukování, které přiřazují každý datový bod striktně do jednoho shluku, fuzzy shlukování umožňuje, aby datový bod příslušel k více shlu-

80