کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10360415 869792 2014 16 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Active selection of clustering constraints: a sequential approach
ترجمه فارسی عنوان
انتخاب فعال محدودیت خوشه بندی: یک رویکرد پیوسته
کلمات کلیدی
انتخاب محدودیت فعال خوشه بندی محدود، محدودیت های پویا، توضیحات داده،
ترجمه چکیده
این مقاله انتخاب انتخابی محدودیت خوشه بندی را بررسی می کند، که به موضوع مورد توجه قابل توجه در خوشه بند محدود شده تبدیل شده است. انتخاب فعال محدودیت های خوشه ای، که به معنی به حداقل رساندن هزینه برای دستیابی محدودیت ها است، همچنین شامل کمیت استفاده از یک محدودیت داده شده است. در این مقاله یک روش ترتیبی ارائه شده است تا مجموعه ای از محدودیت های سودمند را به طور فعال انتخاب کند. روش پیشنهادی از اطلاعات مربوط به نقاط مرزی و مناطق انتقال استخراج شده توسط روش های توصیف داده برای معرفی یک ابزار ابزار برای محدودیت استفاده می کند. از آنجا که محدودیت های قبلا انتخاب شده بر روی استفاده از محدودیت های باقیمانده باقی مانده تاثیر می گذارد، پس از انتخاب هر محدودیت، یک روش برای به روز رسانی کاربرد محدودیت های باقیمانده پیشنهاد می شود. آزمایشات انجام شده در مجموعه داده های مصنوعی و واقعی نشان می دهد که روش پیشنهادی دقت خوشه بندی را بهبود می بخشد در حالی که کاهش تعاملات انسان را افزایش می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
This paper examines active selection of clustering constraints, which has become a topic of significant interest in constrained clustering. Active selection of clustering constraints, which is known as minimizing the cost of acquiring constraints, also includes quantifying utility of a given constraint set. A sequential method is proposed in this paper to select the most beneficial set of constraints actively. The proposed method uses information of boundary points and transition regions extracted by data description methods to introduce a utility measure for constraints. Since previously selected constraints affect the utility of remaining candidate constraints, a method is proposed to update the utility of remaining constraints after selection of each constraint. Experiments carried out on synthetic and real datasets show that the proposed method improves the accuracy of clustering while reducing human interaction.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 47, Issue 3, March 2014, Pages 1443-1458
نویسندگان
, ,