کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8900799 1631721 2018 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A sequential ensemble clusterings generation algorithm for mixed data
ترجمه فارسی عنوان
یک الگوریتم تولید مجموعه خوشه بندی متوالی برای داده های مخلوط
کلمات کلیدی
گروه خوشه بندی خوشه بندی پایه، داده های مختلط، آنتروپی اطلاعات،
ترجمه چکیده
خوشه بندی گروه توجه زیادی را برای ثبات، ثبات و دقت در جوامع علمی و صنعتی به خود جلب کرده است. به منظور انجام خوشهبندی پایه با کیفیت بالا و تنوع همزمان در خوشه بندی گروهی، تلاش های زیادی با بهره برداری از مدل های مختلف خوشه بندی و اطلاعات داده شده انجام شده است. با این حال، این روش ها در بین فرایند تولید خوشه های پایه، همبستگی بین خوشه بندی های مختلف پایه را نادیده می گیرد، که برای رسیدن به کیفیت و تصمیم گیری خوشه ای متنوع مهم است. برای غلبه بر این کمبود، یک الگوریتم خوشه بندی گروهی ترکیبی برای داده های مخلوط در این مقاله بر اساس آنتروپی اطلاعات ایجاد شده است. اولین خوشه پایه با کیفیت بالا عملکرد با حداکثر رساندن معیار بر اساس آنتروپی است. پس از آن، یک پارامتر پیوندی برای به طور فزاینده ای خوشه بندی های پایه ای پیدا می شود، که در آن تنوع بین خوشه بندی پایه جدید و پارتیشن های پایه گذشته با اطلاعات متقابل نرمال اندازه گیری شده است. آزمایش های گسترده ای که بر روی مجموعه داده های مختلف انجام شده، برتری پیشنهاد ما را در مقایسه با چندین الگوریتم تولید خوشه های موجود موجود نشان داده اند.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات ریاضیات کاربردی
چکیده انگلیسی
Ensemble clustering has attracted much attention for its robustness, stability, and accuracy in academic and industry communities. In order to yield base clusterings with high quality and diversity simultaneously in ensemble clustering, many efforts have been done by exploiting different clustering models and data information. However, these methods neglect correlation between different base clusterings during the process of base clusterings generation, which is important to obtain a quality and diverse clustering decision. To overcome this deficiency, a sequential ensemble clusterings generation algorithm for mixed data is developed in this paper based on information entropy. The first high quality base clustering is yield by maximizing the entropy-based criterion. Afterward, a sequential paradigm is utilized to incrementally find more base clusterings, in which the diversity between a new base clustering and the former base partitions is measured by the normalized mutual information. Extensive experiments conducted on various data sets have demonstrated the superiority of our proposal as compared to several existing base clusterings generation algorithms.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Applied Mathematics and Computation - Volume 335, 15 October 2018, Pages 264-277
نویسندگان
, , ,