view in publisher's site

Common Clustering Algorithms

The major steps of an overall clustering task are preclustering, clustering, and postclustering. Preclustering involves data preparation, including feature extraction, selection, transformation normalization, cleaning, and data reduction, whereas postclustering involves cluster usability encompassing cluster validity, reasoning, interpretation, and visualization. This article focuses on the second step, “clustering,” which is further divided into two key modules: clustering criterion and clustering method. This clustering step takes a set X = {x1, x2, …, xn} of preprocessed points (synonymously elements, objects, instances, cases or patterns) as an input and produces a clustered result as an output (either partitioning or hierarchical) for postclustering. It first requires a clustering criterion to be built and needs a clustering algorithm to optimize the clustering criterion.

الگوریتم‌های خوشه‌بندی مشترک

گام‌های اصلی یک کار خوشه‌بندی کلی عبارتند از: preclustering، خوشه‌بندی، و postclustering. Preclustering شامل آماده‌سازی داده‌ها، از جمله استخراج ویژگی، انتخاب، نرمال سازی، تمیز کردن و کاهش داده می‌شود در حالی که postclustering شامل قابلیت استفاده خوشه‌ای در فراگیر بودن، استدلال، تفسیر و تصویرسازی است. این مقاله بر روی مرحله دوم، "خوشه‌بندی"، که به دو مدول اصلی تقسیم می‌شود، تمرکز می‌کند: معیار خوشه‌بندی و روش خوشه‌بندی. این گام خوشه‌بندی یک مجموعه X = { x [ ۱، x [ n ] از نقاط preprocessed (عناصر، اشیا، نمونه‌ها، موارد یا الگوهای)را به عنوان یک ورودی می‌گیرد و نتیجه خوشه‌ای را به عنوان خروجی (یا تقسیم‌بندی یا سلسله مراتبی)برای postclustering تولید می‌کند. در ابتدا لازم است که یک معیار خوشه‌بندی ساخته شود و به یک الگوریتم خوشه‌بندی برای بهینه‌سازی معیار خوشه‌بندی نیاز داشته باشد.
ترجمه شده با

سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.