خوشه بندی سلسله مراتبی داده های ناقص بدون تخصیص مقدار به مقادیر مفقود شده

تکنیک های خوشه بندی در بسیاری از کاربردهای عملی به کار رفته اند. در کاربرد های عملی به کرات اتفاق می افتد که بعضی از مقادیر ویژگیهای الگوها تعیین نشده یا مفقود شده باشد. به صورت کلاسیک به دو روش با این مساله برخورد می شود؛ یا نمونه ناقص نادیده گرفته می شود و یا ویژگی مجهول تقریب زده می شود و جایگذاری می گردد (تخصیص مقدار). صرف نظر کردن از نمونه ناقص ممکن است سبب از دست رفتن برخی الگوهای جذاب در یادگیری گردد. جایگذاری مقادیر از دست رفته با مقادیری از قبیل میانگین یا میانه نیز ممکن است موجبات انحراف فرآیند یادگیری را فراهم آورده و الگوریتم های خوشه بندی را دچار اشتباه نماید. با استفاده از روش های ترکیب خوشه بندیها این مشکل به صورت ساده و کارا قابل حل است. در این حالت هیچ اطلاعات گمراه کننده ای به الگوهای ناقص اضافه نمی شود در عین حال از اطلاعات موجود در دیگر ویژگی های چنین الگوهایی استفاده می شود.

کلیدواژه ها:

خوشه بندی سلسله مراتبی ، داده های ناقص ، تخصیص مقدار ، ترکیب تصمیم ، ترکیب خوشه بندیها