CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

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

اعتبار موردنیاز : ۱ | تعداد صفحات: ۵ | تعداد نمایش خلاصه: ۸۷۰ | نظرات: ۰
سال انتشار: ۱۳۸۷
کد COI مقاله: ACCSI14_200
زبان مقاله: فارسی
حجم فایل: ۱۴۵.۹۵ کیلوبایت (فایل این مقاله در ۵ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۵ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

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

  عبدالرضا میرزایی - دانشکده مهندسی کامپیوتر و فناوری اطلاعات دانشگاه صنعتی امیرکبیر
    محمد رحمتی - دانشکده مهندسی کامپیوتر و فناوری اطلاعات دانشگاه صنعتی امیرکبیر

چکیده مقاله:

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.

کلیدواژه‌ها:

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

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-ACCSI14-ACCSI14_200.html
کد COI مقاله: ACCSI14_200

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
میرزایی, عبدالرضا و محمد رحمتی، ۱۳۸۷، خوشه بندی سلسله مراتبی داده های ناقص بدون تخصیص مقدار به مقادیر مفقود شده، چهاردهمین کنفرانس سالانه انجمن کامپیوتر ایران، تهران، انجمن کامپیوتر، دانشگاه صنعتی امیر کبیر، https://www.civilica.com/Paper-ACCSI14-ACCSI14_200.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (میرزایی, عبدالرضا و محمد رحمتی، ۱۳۸۷)
برای بار دوم به بعد: (میرزایی و رحمتی، ۱۳۸۷)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • Brevern, A.G., Hazout, S., Malpertuy, A., *Incidence of missing values ...
  • Hellem, T., Dysvik, B., Jonassen, I., *LSimpute: accurate estimation of ...
  • Wang , X., Li, A., Jiang, Z., Feng, H., *Missing ...
  • Kim, D.W., Lee, K.Y., Lee, K.H., Lee, D., ،*Towards clustering ...
  • Alizadeh, A.A., et al.، Distinct types of diffuse large B- ...
  • Troyanskaya, O., et al., *Missing value estimation methods for DNA ...
  • Ouyang, M., et al., ،Gaussian mixture clustering and imputation of ...
  • Troyanskaya, O., Cantor, M., Sherlock, G., Brown, P., Hastie, T., ...
  • Brevern, A.G., Hazout, S., Malpertuy, A., ،، Influence of microarrays ...
  • A Mirzaei, M. Rahmati, Hierarchical Clustering Combination, Intelligent data analysis, ...
  • Podani, J., ،simulation of random dendrograms and comparison tests: _ ...
  • Gunnar Raetsch's Benchmark Datasets available at http : //u Sers ...
  • UCI repository of machine learning databases a: http : //www ...
  • Real medical datasets at: http : //www _ informatics .bangor. ...
  • Theodoridis, S., Ko utroumbas, K., Pattern recognition, 2nd ed., Elsevier ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۱۸۸۷۲
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.