انتخاب خوشه بندی ترکیبی بر اساس اندازه گیری پراکندگی کمی

خوشه بندی به عنوان یکی از شاخه های یادگیری بدون نظارت می باشد و فرآیند خودکاری است که در طی آن، نمونه ها بهدسته هایی که اعضای آن مشابه یکدیگر می باشند تقسیم می شوند که به این دسته ها خوشه گفته می شود . در واقع خوشه بندیوظیفه کاوش الگوهای پنهان در داده های بدون برچسب را بر عهده دارد . هدف اصلی خوشه بندی ترکیبی جستجوی بهترینخوشه ها با استفاده از ترکیب نتایج الگوریتم های دیگر است . بنابراین در این رو ش بر اساس معیاری توافقی مجموعه ای ازمطلوب ترین نتایج اولیه را انتخاب کرده و فقط توسط آنها نتیجه نهایی را ایجاد می کنیم. پس زیر مجموعه ای از آن نتایجانتخاب می شوند که موجب بهبود پاسخ نهایی شوند . در این پژوهش می خواهیم میزان پراکندگی در خوشه بندی های پایه رااندازه گیری کنیم و نهایتا یک معیار اندازه گیری جدید ارائه دهیم. در ابتدا از الگوریتم کی-مینز با پارامتر های ورودی مختلفجهت خوشه بندی اولیه این مجموعه داده ها و بدست آوردن پراکندگی های مختلف، استفاده می کنیم. سپس اختلاف اینپراکندگی ها را بر اساس یک اندازه گیری تنوع ۳ بدست می آوریم و جواب نهایی را با استفاده از یک تابع اجماع محاسبه میکنیم. معیارهای مختلفی جهت انتخاب مطلوب ترین روش وجود دارند. در اینجا ما دقت همه ی خوشه ها را برحسب معیاراطلاعات متقابل نرمال شده ۵ و ای آر آی ۶ محاسبه کرده و ارتباط آنها را با دقت راه حل نهایی بدست می آوریم

Keywords:

خوشه بندی ترکیبی , میزان پراکند گی , انتخاب خوشه بندی ترکیبی , اندازه گیری پراکندگی