Cluster validation using an ensemble of supervised classifiers

یک شاخص اعتبار خوشه ای برای انتخاب الگوریتم خوشه بندی برای درخواست یک مشکل استفاده می شود. این کار با ارزیابی کیفیت یک پارتیشن، به عنوان خروجی توسط یک الگوریتم خوشه خوشه، در حال گرفتن در مورد مورد معمول از فقدان متخصص در زمینه حوزه گفتگو کار می کند. بسیاری از شاخص های اعتبار موجود، پیش فرض ها را شامل می شوند، مانند هر خوشه ای از پارتیشن دارای یک ساختار زیر، به عنوان مثال، ابررسفره، ارزیابی های نادرست زمانی که آنها را نگه ندارد. در اینجا، ما یک رویکرد اعتبار خوشه ای جدید ارائه می دهیم که تلاش می کند از این تعصب ها با استفاده از مجموعه ای از طبقه بندی های نظارت شده مجزا جلوگیری شود؛ به این ترتیب تعصب به یک طبقه بندی خاص مربوط نیست، بلکه به مجموعه ای از آن، از این رو کم کردن مشکل است. منطق پشت شاخص ما این است که یک پارتیشن خوب باید ساختن یک طبقه بندی خوب را نیز منجر شود؛ بهتر است که عملکرد طبقه بندی، کیفیت پارتیشن تحت ارزیابی بهتر باشد. توجه کنید که چگونه ما از پارتیشن استفاده می کنیم که به عنوان نوعی مجموعه داده برچسب گذاری شده است، جایی که هر شی با برچسب خوشه ای که متعلق به آن است، برچسب گذاری می شود. ما شاخص ما را در 50 مجموعه داده های عددی آزمایش کرده ایم و با استفاده از شش الگوریتم خوشه بندی مختلف گروه بندی شده است. در آزمایشات ما، شاخص ما پنج شاخص روندی، از جمله محبوب ترین آن ها را بهتر می کند.