خوشه بندی طیفی با انتخاب بردارهای ویژگی kernel PCA

هنگامی که ساختار داده ها غیرخطی می باشد روشهای کلاسیک خوشه بندی با شکست روبرو می شوند دراین حالت خوشه بندی طیفی روشی قدرتمند برای دسته بندی داده ها محسوب می شود این تکنیک با تبدیل فضای ورودی فضای جدیدی با قابلیت توصیف مناسب تر از داده ها را درا ختیار ما قرار میدهد با این حال همه ویژگی های این فضای جدید برای خوشه بندی مفید نمی باشند بنابراین روشهای انتخاب ویژگی مورد توجه قرارمیگیرند دراینم قاله الگوریتمی برای خوشه بندی طیفی مبتنی بر ویژگی های استخراج شده Kernel PCA ارایه میدهیم که ویژگی های مناسب با توجه به توانایی آنها در توصیف خوشه های موجود در داده ها براساس آنتروپی انتخاب و وزن دهی می شوند نتایج آزمایشها بیانگر موفقیت این روش می باشد.

کلیدواژه ها:

خوشه بندی طیفی ، kernel PCA ، انتخاب ویژگی ، آنتروپی