دانلود مقاله ترجمه شده یک الگوریتم خوشه بندی توپولوژیکی جدید برای داده های بازه ای

 خوشه بندی یک ابزار بسیار قوی برای تشخیص خودکار زیرگروه های مربوط در مجموعه داده های بدون برچسب است. در این مقاله ما بر روی داده های بازه ای تمرکز می کنیم یعنی جایی که اشیاء به عنوان ابرمکعب مستطیل ها تعریف شده اند. در اینجا ما یک الگوریتم خوشه بندی جدید برای داده های بازه ای معرفی می کنیم که مبتنی بر یادگیری یک نگاشت خود سازمان ده است. مزیت عمده ی رویکرد ما این است که تعداد خوشه هایی که باید پیدا شود، به صورت خودکار مشخص می شود؛ احتیاجی به یک فرضیه ی قبلی برای تعداد خوشه ها نیست. نتایج تجربی تاثیرگذاری الگوریتم پیشنهادی اعمال شده را بر روی داده های بازه ای تایید می کنند.

کلمات کلیدی: داده های بازه ای، خوشه بندی، نگاشت خود سازمان ده

وقتی که دانش قبلی راجع به ساختار زیرین داده های بدون برچسب نداریم، طبقه بندی بدون نظارت یا خوشه بندی یک ابزار بسیار قوی برای تشخیص خودکار زیرگروه های مربوط (یا خوشه ها) در این مجموعه داده ها است. الگوهای موجود در یک خوشه باید به یکدیگر شبیه باشند در حالی که الگوهای خوشه های مختلف باید شبیه نباشند (هم جنسی داخلی و جدایی خارجی). خوشه بندی نقش ناگزیری در درک پدیده های مختلف توصیف شده توسط مجموعه داده ها دارد و به عنوان یکی از چالش برانگیزترین کارها در یادگیری بدون نظارت پنداشته می شود. رویکردهای متنوعی برای حل مساله پیشنهاد شده است..