مروری بر الگوریتم خوشه بندی اشتراک گذاری نزدیک ترین همسایه مشترکSNN

خوشه بندی به شدت تراکم و فاصله شباهت بستگی دارد، اما تعریف این مفاهیم با افزایش ابعاد دشوارتر میشود. ما در این مقاله مفهوم تراکم و شباهت را که برای داده های بالا در واقع برای داده های با هر بعدی خوب عمل میکنند. به طور خاص، ما از یک معیار شباهت استفاده میکنیم که براساس تعداد همسایگان مشترک دو نقطه مشترک است، و چگالی یک نقطه را به عنوان مجموع شباهت های نزدیکترین نقاط مجاور تعریف میکنیم. سپس به ارائه یک الگوریتم خوشه بندی جدید، که براساس این ایده هاست میپردازیم. این الگوریتم، نویز نقاط با چگالی کم را حذف میکند و خوشه ها را با مرتبط ساختن نقاط بدون نویز با نقاط نماینده میسازد. این رویکرد باعث مدیریت بسیاری از مشکلات الگوریتم های خوشه بندی میشود که در ادامه روند آن را شرح خواهیم داد . چند مثال شمامل مجموعه داده های با ابعاد بالا ارئه میدهیم مثل: سری زمانی های به دست آمده از داده های علم زمین ناسا

کلیدواژه ها:

اشتراک گذاری نزدیک ترین همسایه مشترک ، خوشه بندری SNN ، Clustering