МНОГОКЛАССОВЫЙ АЛГОРИТМ КЛАСТЕРИЗАЦИИ ОСНОВАННЫЙ НА ПОЛНОМ ПРОСТРАНСТВЕ
Ключевые слова:
Кластеризaция, мультиклассовая кластеризaция, кластеризaция без учителя, метод MAXIMUS.Аннотация
С увеличением объема больших данных и ростом их разнообразия возрастает и сложность данных. Традиционные методы кластеризaции предоставляют только один результат, что ограничивает исследование данных единственно возможным разделением. В отличие от этого, методы мультиклассовой кластеризации одновременно или последовательно раскрывают несколько уникальных и неповторимых кластерных решений. Это позволяет выявить скрытые структуры данных. Поэтому мультиклассовая кластеризация сегодня стала популярным и перспективным направлением исследований. В данном исследовании разработаны подход и алгоритм задачи мультиклассной кластеризации, ориентированной на важность объектов.
Библиографические ссылки
G. Yu, L. Ren, J. Wang, C. Domeniconi, X. Zhang, Multiple clusterings: Recent advances and perspectives, Computer Science Review, Volume 52, 2024, https://doi.org/10.1016/j.cosrev.2024.100621
D. Gondek, T. Hofmann, Conditional information bottleneck clustering, in: IEEE International Conference on Data Mining, 2003, pp. 36–42.
D. Gondek, T. Hofmann, Non-redundant clustering with conditional ensembles, in: ACM SIGKDD International Conference on Knowledge Discovery in Data Mining, 2005, pp. 70–77.
E. Bae, J. Bailey, Coala: A novel approach for the extraction of an alternate clus- tering of high quality and high dissimilarity, in: IEEE International Conference on Data Mining, 2006, pp. 53–62.
J. Hu, J. Pei, Subspace multi-clustering: a review, Knowl. Inf. Syst. 56 (2) (2018) 257–284.
R. Caruana, M. Elhawary, N. Nguyen, C. Smith, Meta clustering, in: IEEE International Conference on Data Mining, 2006, pp. 107–118.
D. Gondek, T. Hofmann, Non-redundant data clustering, Knowl. Inf. Syst. 12(1) (2007) 1–24.
E. Bae, J. Bailey, G. Dong, A clustering comparison measure using density profiles and its application to the discovery of alternate clusterings, Data Min. Knowl. Discov. 21 (3) (2010) 427–471.
X.H. Dang, J. Bailey, Generation of alternative clusterings using the cami approach, in: IEEE International Conference on Data Mining, 2010, pp. 118–129.
S. Yang, L. Zhang, Non-redundant multiple clustering by nonnegative matrix factorization, Mach. Learn. 106 (2017) 695–712.
E. Muller, S. Gunnemann, I. Farber, T. Seidl, Discovering multiple clustering solutions: Grouping objects in different views of the data, in: IEEE International Conference on Data Engineering, 2012, pp. 1207–1210.
C.C. Aggarwal, C.K. Reddy, Data clustering, in: Algorithms and Applications, 2013, Citeseer.
J. Bailey, Alternative clustering analysis: A review, in: Data Clustering, Chapman and Hall/CRC, 2013, pp. 535–550.
Nishanov A., Ruzibaev O., Chedjou J. C., Kyamakya K., Abhiram, Kolli, De Silva, Djurayev G., Khasanova M. Algorithm for the selection of informative symptoms in the classification of medical data // Developments Of Artificial Intelligence Technologies In Computation And Robotics, Volume:12, 2020, p. 647-658, doi:10.1142/9789811223334_0078
Nishanov, A., Akbarova, M., Tursunov, A., Ollamberganov, F., & Rashidova, D. (2024). Clustering algorithm based on object similarity. Journal of Mathematics, Mechanics and Computer Science, 123(3), 108–120. https://doi.org/10.26577/JMMCS2024-v123-i3-4.
Загрузки
Дополнительные файлы
Опубликован
Как цитировать
Лицензия
Copyright (c) 2025 Fayzulla Ollamberganov, Allambergen Kalbayev , Qudiyar Yelmuratov , Muxammed Qudaynazarov
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
