کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4947012 1439560 2017 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A multi-act sequential game-based multi-objective clustering approach for categorical data
ترجمه فارسی عنوان
یک رویکرد خوشه بندی چند هدفه مبتنی بر بازی چند منظوره برای داده های طبقه بندی شده
کلمات کلیدی
خوشه چند هدفه، داده های طبقه بندی شده بازی چند مرحله ای متوالی تعادل نش،
ترجمه چکیده
خوشه بندی داده های طبقه بندی شده، که در آن هیچ نظم طبیعی نمی تواند در بین مقادیر صفات یافت شود، به تازگی آغاز شده است. برای تامین الزامات داده های قطعی، چند روش خوشه بندی پیشنهاد شده است. اکثر این روش ها بر روی بهینه سازی یک اندازه واحد متمرکز شده اند، با این حال، چندین کاربر در مناطق مختلف باید معیارهای نامتجانس متعددی را که اغلب درگیر هستند، در طی خوشه بندی در نظر بگیرند. با این کار، با استفاده از این روش، یک رویکرد خوشه بندی چند هدفه برای داده های طبقه بندی شده بر اساس بازی های متوالی ایجاد کردیم. این می تواند به طور خودکار تعداد صحیح خوشه ها را تولید کند. رویکرد شامل سه مرحله اصلی است. فاز اول خوشه های اولیه را با توجه به مکانیزم اولیه سازی مشخص می کند که اثر مهمی در نتیجه خوشه نهایی دارد. فاز دوم از چند هدفه بازی های متوالی دو نفره چند منظوره برای تعیین تعداد مناسب خوشه ها استفاده می کند. برای محاسبه تعادل خالص نشت برای هر بازی، یک روش مبتنی بر القاء عقب استفاده می شود. در نهایت، مرحله سوم خوشه های همگن را با بهینه سازی آن در داخل خوشه ای ایجاد می کند. عملکرد این الگوریتم در هر دو مجموعه داده های شبیه سازی شده و دنیای واقعی مورد مطالعه قرار گرفته است. مقایسه با سایر الگوریتم های خوشه ای، اثربخشی رویکرد پیشنهادی را نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یک رویکرد خوشه بندی چند هدفه مبتنی بر بازی چند منظوره برای داده های طبقه بندی شده
چکیده انگلیسی
Clustering categorical data, where no natural ordering can be found among the attributes values, has started drawing interest recently. Few clustering methods have been proposed to satisfy the categorical data requirements. Most of these methods have focused on optimizing a single measure, however, several applications in different areas need to consider multiple incommensurable criteria, often conflicting, during clustering. Motivated by this, we developed a multi-objective clustering approach for categorical data based on sequential games. It can automatically generate the correct number of clusters. The approach consists of three main phases. The first phase identifies initial clusters according to an initialization mechanism which has an important effect in the final clustering result. The second phase uses multi-act multi-objective sequential two-player games in order to determine the appropriate number of clusters. A methodology based on backward induction is used to calculate a pure Nash equilibrium for each game. Finally, the third phase constructs homogenous clusters by optimizing intra-cluster inertia. The performance of this algorithm has been studied on both simulated and real-world datasets. Comparisons with other clustering algorithms illustrate the effectiveness of the proposed approach.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 267, 6 December 2017, Pages 320-332
نویسندگان
, , ,