ترجمه فارسی مقاله آیا یک الگوریتم خوشه‌بندی بدون نظارت می‌تواند یک سیستم طبقه‌بندی را بازتولید کند؟

چکیده

Peer analysis is a critical component of investment management, often relying on expert-provided categorization systems. These systems’ consistency is questioned when they do not align with cohorts from unsupervised clustering algorithms optimized for various metrics. We investigate whether unsupervised clustering can reproduce ground truth classes in a labeled dataset, showing that success depends on feature selection and the chosen distance metric. Using toy datasets and fund categorization as real-world examples we demonstrate that accurately reproducing ground truth classes is challenging. We also highlight the limitations of standard clustering evaluation metrics in identifying the optimal number of clusters relative to the ground truth classes. We then show that if appropriate features are available in the dataset, and a proper distance metric is known (e.g., using a supervised Random Forest-based distance metric learning method), then an unsupervised clustering can indeed reproduce the ground truth classes as distinct clusters.

چکیده به فارسی (ترجمه ماشینی)

تجزیه و تحلیل همسالان یک مؤلفه مهم در مدیریت سرمایه گذاری است ، که اغلب به سیستم های طبقه بندی متخصص ارائه می شود.قوام این سیستم ها هنگامی مورد سؤال قرار می گیرد که آنها با گروه های الگوریتم های خوشه بندی بدون نظارت برای بهینه سازی شده برای معیارهای مختلف هماهنگ نباشند.ما بررسی می کنیم که آیا خوشه بندی بدون نظارت می تواند کلاسهای حقیقت زمینی را در یک مجموعه داده برچسب تولید کند ، نشان می دهد که موفقیت به انتخاب ویژگی و متریک فاصله انتخابی بستگی دارد.با استفاده از مجموعه داده های اسباب بازی و طبقه بندی صندوق به عنوان نمونه های دنیای واقعی ، نشان می دهیم که تولید مثل کلاسهای حقیقت زمینی به طور دقیق چالش برانگیز است.ما همچنین محدودیت های معیارهای ارزیابی خوشه بندی استاندارد را در شناسایی تعداد بهینه خوشه ها نسبت به کلاس های حقیقت زمین برجسته می کنیم.سپس ما نشان می دهیم که اگر ویژگی های مناسب در مجموعه داده ها در دسترس باشد ، و یک متریک از فاصله مناسب شناخته شده است (به عنوان مثال ، با استفاده از یک روش یادگیری متریک از راه دور مبتنی بر جنگل تصادفی) ، سپس یک خوشه بندی بدون نظارت می تواند در واقع بتواند کلاس های حقیقت زمین را به عنوان خوشه های مجزا بازتولید کند.بشر