خوشهبندی مبتنی بر فاصله چگالی گوسی تطبیقی (AGDD)
نویسندگان
1 Department of Computer Engineering, Yazd University, Yazd, Iran.
2 Department of Computer Engineering, Yazd University, Yazd, Iran.
3 Department of Computer Engineering, Yazd University, Yazd, Iran.
doi
10.22034/tjee.2022.15642چکیده
روشهای خوشهبندی مبتنی بر فاصله، نمونهها را با بهینهسازی یک معیار کلی دستهبندی کرده و خوشههایی بیضوی با اندازههای تقریباً برابر ایجاد میکنند. در مقابل، تکنیکهای خوشهبندی مبتنی بر چگالی با بهینهسازی یک معیار محلی، خوشههایی با اشکال و اندازههای دلخواه تشکیل میدهند. اکثر این روشها دارای چندین ابرپارامتر هستند و عملکرد آنها به شدت به تنظیم این ابرپارامترها وابسته است. اخیراً روشی به نام فاصله چگالی گوسی (GDD) ارائه شده که معیار محلی را بر اساس ویژگیهای فاصله و چگالی نمونهها بهینه میکند. روش GDD بدون پارامتر آزاده بوده و قادر است خوشههایی با اشکال و اندازههای مختلف را شناسایی کند. با این حال، ممکن است نتواند خوشههای مناسب را به دلیل تداخل نمونههای خوشهبندیشده در برآورد ویژگیهای چگالی و فاصله نمونههای باقیمانده، شناسایی کند. در این پژوهش، روشی به نام فاصله چگالی گوسی تطبیقی (AGDD) معرفی شده که با بهروزرسانی تطبیقی پارامترها در طول خوشهبندی، اثرات نامناسب نمونههای خوشهبندیشده را حذف میکند. این روش پایدار است و میتواند خوشههایی با اشکال، اندازهها و چگالیهای مختلف را بدون افزودن پارامترهای اضافی شناسایی کند. معیارهای فاصله که عدم شباهت بین نمونهها را محاسبه میکنند، میتوانند بر عملکرد خوشهبندی تأثیر بگذارند. تأثیر استفاده از معیارهای فاصله مختلف نیز در این روش تحلیل شده است. نتایج آزمایشهای انجامشده روی چندین مجموعه دادهی شناختهشده، کارایی روش پیشنهادی AGDD را در مقایسه با سایر روشهای معروف خوشهبندی نشان میدهد.
