|
Title
|
یک روش خوشه بندی خودکار با استفاده از رابطه همسایگی متقابل داده ها و ساختار هندسی دایره آپولونیوس
|
|
Type of Research
|
Presentation
|
|
Keywords
|
داده کاوی، تشخیص همسایگی، ساختار هندسی، دایره آپولونیوس، همسایگان متقابل، خوشه بندی.
|
|
Abstract
|
در بسیاری از مسائل یادگیری ماشین و داده کاوی مانند طبقهبندی و خوشهبندی، از الگوریتمهای ساخت همسایگی برای مدلسازی روابط محلی بین نمونههای داده استفاده میشود. در یافتن ارتباط بین نقاط داده، تشخیص دقیق همسایگی نقاط بهطور انکارناپذیری برای کاوش دادهها مفید است. طی سالیان اخیر، برخی روش های تشخیص همسایگی مبتنی بر ساختارهای هندسی ارائه شده اند که به دلیل دقت بالا در مکانیابی نقاط همسایگی بسیار کارآمد بوده اند. با این حال اغلب این روش ها برای تشکیل گروههای مشابه نیاز به بررسی همه نقاط همسایگی دارند. از اینرو، هزینههای محاسباتی بالایی دارند. در این میان، ساختار دایره آپولونیوس در ارزیابی شباهتهای محلی در بین مشاهدات، عملکرد بهتری از خود نشان داده است و زمینه جدیدی از علم هندسه را در دادهکاوی گشوده است. ساختار آپولونیوس امکان معرفی دانش پنهان را از طریق معرفی معیارهای هندسه فراهم میکند و می تواند یک منطقه همسایگی پویا را برای نقاط داده تعریف کند. در این مقاله، با بهرهگیری از مزایای ساختار هندسی دایره آپولونیوس و ایده همسایگان متقابل داده ها، یک روش خوشه بندی خودکار ارائه می شود. از ویژگی همسایگی متقابل نقاط داده برای تشخیص سریع و بهینه همسایگی نقاط داده، شناسایی نواحی متراکم و کشف دادههای پرت (نویز) استفاده می شود. از ساختار هندسی دایره آپولونیوس نیز برای تعیین شعاع همسایگی نواحی متراکم (با چگالی داده بالا) استفاده می شود. طوریکه برای هریک از نواحی، یک شعاع همسایگی پویا و متناسب با نقاط داده مربوطه استخراج می شود. طی این دو فرایند، هم تعداد خوشه های بهینه و هم اعضا هر خوشه شناسایی می شود. بدین ترتیب یک روش خوشه بندی خودکار حاصل می شود که بدون نیاز به دریافت پارامتر خاصی، حتی تعداد خوشه ها، می تواند عمل خوشه بندی داده ها را انجام دهد. آزمایش های انجام شده بر روی مجموعه دادههای استاندارد و مقایسه نتایج با دیگر روش ها، نشان از عملکرد مناسب روش پیشنهادی دارد.
|
|
Researchers
|
(First Researcher)، Mahdi Hashemzadeh (Second Researcher)، شهین پوربهرامی (Third Researcher)
|