الگوريتم خوشه بندیbisecting k-means - Artificial Intelligence

fazelfazel · ۱۰-۹-۱۳۹۱, ۱۱:۵۴ قبل از ظهر

با سلام میشه در مورد الگوريتم خوشه بندیbisecting k-means توضيح دهيد
با تشکر

masood · ۱۰-۱۱-۱۳۹۱, ۰۵:۱۸ قبل از ظهر

در مورد خوشه بندی به روش k-mean
قاعده امر به این صورت است که
M نقطه در N بعد به K خوشه به نحوی تقسیم می شود که مجموع مربعات داخلی هر خوشه کم ترین حد ممکن باشد.
معمول است که ابتدا k نقطه تصادفی از داده ها را انتخاب و سپس نزدیک ترین داده های به نقاط از بعد فاصله به خوشه مرطوبه منصوب می شوند. با تکرار الگوریتم و پیدا کردن نقطه میانگین خوشه بجای نقطه قبلی (نقطه تصادفی در اولین اجرا) نتایج گام به گام بهتر می شود تا زمانی که هیچ تغییری در عناصر خوشه ها بوجود نیاید.
در برخی موارد این الگوریتم را با کمی تغییر پیاده سازی می کنند که مشخصا وابسته به شرایط مسئه است.
فایل ضمیمه یک نمونه از این تغییرات را شرح می دهد.

fazelfazel · ۱۰-۱۱-۱۳۹۱, ۱۱:۵۴ بعد از ظهر

سلام
میشه فارسی مطلبی بگذاريد یا توضیحی دهيد
با تشکر

fazelfazel · ۱۰-۱۶-۱۳۹۱, ۰۲:۳۳ قبل از ظهر

اين مطالب را می توانيد برام از bisecting kmeans تفسير کنيد

Extension of the basic K-Means algorithm
Basic idea: Initially split the data into two
cluster, then further split one of the clusters,
and so on, until there are K clusters
Side-product: results in hierarchical clusters

Initialization: Set of clusters contains one
cluster with all points
Repeat until list of clusters contains K clusters
Remove cluster from list
For number of trials do:
Bisect cluster with basic K-Means
Select bisection with lowest total SSE
Add both clusters to list of cluster

Which cluster should be selected for bisection?
Cluster with largest SSE
Largest cluster (in terms of number of points)
The `trials' in the bisecting K-Means algorithm
try di erent seed initializations (see basic
K-Means)

masood · ۰۶-۱۶-۱۳۹۲, ۱۰:۵۸ بعد از ظهر

من پوزش می طلبم. بنده در پست قبل k-means رو به شکل ساده شرح دادم. اما اصل سوال شما bisecting k-means بود

که به شرح زیر هستش:
این الگوریتم همان الگوریتم k-means هست که در آغاز k=2 .
در هر گام یکی از خوشه ها انتخاب و توسط اجرای الگوریتم k-mean روی داده های خوشه انتخابی به دو خوشه تقسیم می شود که این عمل تا رسیدن به شرایط پایان تکرار می شود.

شرایط پایان مانند: رسیدن به تعداد معینی خوشه، رسانیدن مقدار خروجی یک تابع که بیان کننده میزان تفاوت خوشه ها با هم هست به یک مقدار از پیش تعریف شده (یا همان رسیدن میزان شباهت داده های هر خوشه به یکدیگر تا حد مشخص) و...

امیدوارم توضیحات کافی باشند.