یک خوشهبندی جمع شونده جدید بر اساس حرکت نمونهها در فضای ویژگی

خوشهبندی را میتوان طبقهبندی داده ها بر اساس نوعی شباهت تعریف کرد. معیارهای شباهتسنجی متفاوتی تا کنون نسخه - های گوناگونی از این روشها را معرفی کردهاند. هر یک از این روشها، مزایا و معایبی در پی دارند. در این مقاله، به بررسی نیروی گرانش به عنوان یکی از خاصیت های بنیادی ذرات ماده پرداخته می شود . معیارهای شباهت بسیاری از جمله فاصلهی اقلیدسی نمونهها در فضای ویژگی وجود دارد؛ اما با استفاده از خاصیت گرانش، قضاوت در مورد شباهت دو نمونه به خود نمونهها واگذار میشود که برگرفته از تأثیرات تمام نمونهها و اثر نیروی گرانش میباشد. نتایج این مقاله بر رو ی داده- های دو بعدی به صورت گرافیکی با روش هایISODATA و DSRPCL2مقایسه شده است. همچنین این مقایسه با استفاده از معیار کلاسهبندی بر روی چند مجموعه داده استاندارد و با روش های K- DSRPCL2 ،Means و کوچکترین درخت پوشا صورت گرفته و نتایج رضایت بخش است.

کلیدواژه ها:

خوشه بندی ، یادگیری بدون نظارت ، جمع شونده ، سلسله مراتبی ، نیروی گرانش ، نیوتن ، بازشناسی الگوها