خوشه بندی به وسیله تبدیل تدریجی داده

رویکردهای سنتی خوشه بندی، مبتنی بر ارائه یک مدل (پارتیشن یا نمونه های اولیه) متناسب برای داده های مفروض است. ما رویکردیکاملا متفاوت و متضاد به وسیله متناسب سازی داده در مدل خوشه بندی ارائه می دهیم، رویکردی بهینه برای آسیب شناختی داده های مشابه در ابعاد و اندازه های یکسان. سپس تبدیلی معکوس از این آسیب شناختی داده ها به داده های اصلی انجام می دهیم و به طور همزمان اصلاح و بهبود ساختار خوشه بندی در طول فرآیند صورت می گیرد. ایده ی کلیدی رویکرد این است که نیازی به یافتن تخصیص جهانی بهینه نمونه های ابتدایی ندارد. در عوض فقط به تنظیم دقیق نمونه های اصلی خوشه بندی شده در طول فرآیند تبدیل نیاز دارد. این کار برای محافظت از ساختار خوشه بندی بهینه ای که در حال حاضر وجود دارد صورت می گیرد.

کلیدواژه ها:

خوشه بندی ، خوشه بندی تدریجی ، ، K-means ، متناسب سازی با خوشه بندی