بهبود روش خوشه بندی Overlapping K-Means با استفاده از ماشین یادگیری مفرط برای کاربردهای پزشکی

خوشه بندی داده به عنوان یک روش موثر برای کشف ساختار مجموعه داده های پزشکی ثابت شده است. اکثر الگوریتم های خوشه بندی خوشه های منحصر به فرد تولید می کنند به این معنی که هر نمونه می تواند تنها به یک خوشه تعلق گیرد. با این حال، بسیاری از مجموعه داده های پزشکی در دنیای واقعی اطلاعات ذاتا با هم همپوشانی دارند. روش های خوشه بندی همپوشان به یک نمونه اجازه تعلق به بیش از یک خوشه را می دهند، که می توانند به بهترین نحو همپوشانی را بیان کنند. یکی از ساده ترین و موثر ترین روش های خوشه بندی همپوشان الگوریتم Overlapping K-Means است، که برگرفته از الگوریتم سنتی K-Means شناخته شده است. با این حال، روش OKM مانند K-Means از حساسیت به مراکز خوشه اولیه رنج می برد. در این پژوهش، ما در حال حاضر یک الگوریتم خوشه بندی جدید، OKM-ELM، که از خروجی شبکه یادگیری مفرط (ELM) به جای معیارهای شباهت در OKM استفاده می کند را ارائه کردیم. ELM در OKM-ELM مراکز نهایی خوشه را با دسته ای از برچسب های مصنوعی آن آموزش می دهد. ما در روش ارائه شده از معیار FBCubed، که به اندازه گیری های موثر برای ارزیابی الگوریتم های خوشه بندی همپوشان می پردازد، استفاده کردیم. با توجه به نتایج حاصل از هشت مجموعه داده پزشکی در دسترس عموم، الگوریتم OKM-ELM با بهبود بیش از 3 درصد بهتر از الگوریتم KHM-OKM است و می تواند به عنوان یک روش موثر برای خوشه بندی مجموعه داده های پزشکی استفاده شود.