بهبود الگوریتم سنتی K-means از طریق تنظیم پارامترهای متریک از راه دور (فاصله)

این مقاله در مورد جزئیات رفتار از الگوریتم k-means با چهار الگوریتم های جدید بافاصله های مختلف بر روی داده های بیان ژن است. دردادهکاوی، خوشه بندی k-means روشی است که هدف آن پارتیشن n مشاهده به k خوشه است. در آن هر مشاهده متعلق به خوشه با نزدیک ترینمیانگین می باشد. روش سنتی k-means یکی از روش های محبوب خوشه بندی برای تجزیه وتحلیل داده های بیان ژن است. بااین حال، ازکاستی های عمده ای هم رنج می برد. این روش حساس نسبت به پارتیشن اولیه است و تنها به اطلاعات با خوشه های کروی شکل قابل اجرا است.روش سنتی k-means از طریق تنظیم پارامترهای متریک از راه دور، میتوان به اثرات بهتر خوشه بندی k-means دست یافت که این مدلدارای امتیازاتی در حساسیت، ویژگی و زمان اجرا است. در نهایت مشخص شد که Canberra k-means بسیار خوب عمل می کند.

کلیدواژه ها:

داده کاوی ، k-means ، کانبرا ، چبیشف ، داده بیان ژن ، هسته ، منهتن ، Supremum