بررسی DSKmeans یک شیوه‌ی K-means محور جدید

نوع فایل : word

تعداد صفحات : 36

تعداد کلمات : 6000

مجله : Knowledge-Based Systems

انتشار : 2014

ترجمه ی متون جدول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

فونت ترجمه : ب نازنین 12

تاریخ انتشار
18 جولای 2020
دسته بندی
تعداد بازدیدها
2481 بازدید
39,500 تومان

عنوان فارسی مقاله:بررسی DSKmeans یک شیوه‌ی K-means محور جدید برای کلاسترینگ زیرفضای افتراقی

  چکیده

بیشتر شیوه‌ها و الگوریتم‌های کلاسترینگ مبتنی بر Kmeans، بستگیب ه تراکم درون دسته‌ای برای مثال، پراکنش یک دسته یا کلاستر وابسته می‌باشند. ولی افتراق بین کلاستر که غالباً در روش‌های دسته بندی به کار می‌رود کمتر در پروسه‌ی کلاسترینگ استفاده می‌شوند. در این مطالعه، روش یا الگوریتم کلاسترینگ مبتنی بر زیر فضای افتراقی یعنی DSKmeans برای ترکیب تراکم داخل کلاستر و تمایز بین کلاستر استفاده می‌شود. در مقابل سایر روش‌های Kmeans متداول، یک تانسور درجه سوم برای ارزشیابی وزن خصوصیات مختلف جهت ترکیب دو اطلاعات، ایجاد شد. در مرحله‌ی اول، برای کلاسترینگ، تابع هدف جدید طراحی شد و برای بهبود و بهینه سازی این تابع، قوانین آپدیت برای الگوریتم به شیوه‌ای تحلیل استخراج شد. ویژگی و کارایی DSKmeans در مجموعه داده‌های دسته‌ای و رقمی مطالعه شد. نتایج آزمایشی موید این مطلب هستند که الگوریتم پیشنهادی ما عملکرد برتری نسبت به الگوریتم‌های کلاسترینگ کامینز پیشرفته از حیث چهار شاخص: صحت، شاخص رند، امتیاز اف و اطلاعات متقابل نرمال (NMI) دارد. نتایج نشان می‌دهد که روش ما نسبت به الگوریتم‌های کلاسترینگ پیشرفته بر اساس چهار متریک برتری دارد: دقت، راند ایندکس، اف اسکور یا امتیاز F، و اطلاعات طبیعی و متقابل NMI.(کلاسترینگ زیرفضای افتراقی)

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: DSKmeans: A new kmeans-type approach to discriminative subspace clustering

 

Abstract

Most of kmeans-type clustering algorithms rely on only intra-cluster compactness, i.e. the dispersions of a cluster. Inter-cluster separation which is widely used in classification algorithms, however, is rarely considered in a clustering process. In this paper, we present a new discriminative subspace kmeans-type clustering algorithm (DSKmeans), which integrates the intra-cluster compactness and the inter-cluster separation simultaneously. Different to traditional weighting kmeans-type algorithms, a 3-order tensor is constructed to evaluate the importance of different features in order to integrate the aforementioned two types of information. First, a new objective function for clustering is designed. To optimize the objective function, the corresponding updating rules for the algorithm are then derived analytically. The properties and performance of DSKmeans are investigated on several numerical and categorical data sets. Experimental results corroborate that our proposed algorithm outperforms the state-of-the-art kmeans-type clustering algorithms with respects to four metrics: Accuracy, RandIndex, Fscore and Normal Mutual Information(NMI).

دیدگاهتان را بنویسید