استخراج خوشه بندی ترکیبی از داده های خوشه بندی شده برای استفاده مجدد دانش

خوشه بندی یکی از شاخه های یادگیری بدون نظارت می باشد و فرآیند خودکاری است که در طی آن، نمونه ها به دسته هایی که اعضای آن مشابه یکدیگر می باشند تقسیم می شوند که به این دسته ها خوشه گفته می شود. به خاطر پیچیدگی و بدون ناظر بودن مسیله و ضعف روش های خوشه بندی پایه، امروزه روش های خوشه بندی ترکیبی مورد استفاده قرار می گیرند. هدف اصلی خوشه بندی ترکیبی جستجوی بهترین خوشه ها با استفاده از ترکیب نتایج الگوریتم های دیگر است. به روشی از خوشه بندی ترکیبی که در آن از زیرمجموعه ا ی منتخب از نتایج اولیه برای ترکیب و ساخت نتایج نهایی استفاده می شود، خوشه بندی ترکیبی مبتنی بر انتخاب می گویند. پراکندگی و کیفیت خوشه بندی دو فاکتور مهم برای بهبود عملکرد خوشه بندی ترکیبی می باشند. این مقاله روشی با استفاده از رویکرد جدیدی به نام استخراج خوشه بندی ترکیبی به عنوان چهارچوب استفاده مجدد از دانش برای ایجاد یک گوناگونی و پراکندگی جدید بدون دسترسی به داده های خام با استفاده از تعداد کمی از خوشه بندی های اصلی پیشنهاد می کند. این رویکرد مجموعه جدیدی از خوشه بندی ها را از خوشه بندی های موجود فراهم می آورد که گوناگونی و اندازه بیشتری در مقایسه با خوشه بندی های اصلی دارد. بررسی اثربخشی گروه های خوشه ای در سه سناریو برنامه کیفی متفاوت مورد بررسی قرار میگیرند که در آن خوشه اصلی بر اساس مجموعه غیر یکسان از ویژگی ها شکل گرفته است، و الگوریتم های خوشه بندی اصلی در مجموعه های غیر یکسان از اشیاء کار می کنند، که در آن داده مجموعه مشترک استفاده می شود و هدف اصلی از ترکیب خوشه های متعدد بهبود کیفیت و استحکام راه حل است. این عمل با استخراج دانش جدید با استفاده از خوشه بندی ترکیبی، انجام می شود. از الگوریتم استخراج خوشه بندی با پارامترهای ورودی مختلف جهت خوشه بندی اولیه این مجموعه داده ها استفاده می شود، و جواب نهایی با استفاده از یک تابع اجماع محاسبه می می شود.

کلیدواژه ها:

خوشه بندی ترکیبی ، انتخاب خوشه بندی ترکیبی ، استخراج خوشه بندی ترکیبی ، استفاده مجدد از دانش