به علت بدون ناظر بودن مسئله خوشهبندی انتخاب الگوریتمی خاص جهت خوشهبندی یک مجموعه ناشناس امری پر خطر و معمولا شکست خورده میباشد. به خاطر پیچیدگی مسئله و ضعف روشهای خوشهبندی پایه، امروزه اکثر مطالعات به سمت روشهای خوشهبندی ترکیبی هدایت شده است. پراکندگی در نتایج اولیه یکی از مهمترین عواملی است که میتواند در کیفیت نتایج نهایی اثرگذار باشد. همچنین، کیفیت نتایج اولیه نیز عامل دیگری است که در کیفیت نتایج حاصل از ترکیب موثر است. هر دو عامل در تحقیقات اخیر خوشهبندی ترکیبی مورد توجه قرار گرفتهاند. در اینجا یک چارچوب برای بهبود کارایی خوشهبندی پیشنهاد شده است که مبتنی بر استفاده از زیرمجموعهای از خوشههای اولیه میباشند. انتخاب این زیرمجموعه نقش حیاتی در کارایی مجمع دارد. این انتخاب به کمک دو روش هوشمند انجام میگیرد. ایدههای اصلی در روشهای پیشنهادی برای انتخاب زیرمجموعهای از خوشهها، استفاده از خوشههای پایدار با الگوریتمهای جستجوی هوشمند میباشند. برای ارزیابی خوشهها، از معیار پایداری مبتنی بر اطلاعات متقابل استفاده شده است. در آخر نیز خوشههای انتخاب شده را به کمک چندین روش ترکیب نهایی با هم جمع میکنیم. نتایج تجربی روی چندین مجموعه داده استاندارد نشان میدهد که روشهای پیشنهادی میتوانند به طور موثری همچنین روش ترکیب کامل را بهبود دهند.
بازنشر اطلاعات | |
![]() |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License (CC BY NC 4.0) قابل بازنشر است. |