Preview

Информатика

Расширенный поиск

МЕТОД ВЫБОРА НАЧАЛЬНЫХ ПРИБЛИЖЕНИЙ ЦЕНТРОВ КЛАСТЕРОВ ДЛЯ АЛГОРИТМА К-СРЕДНИХ

Полный текст:

Аннотация

Разрабатывается метод поиска начальных приближений центров кластеров для алгоритма
К-средних, который позволяет сократить количество итераций алгоритма К-средних в 2,9 раза по сравнению с существующими методами. Нулевые кластеры в ходе обработки данных отсутствуют. Вычислительная сложность процедуры кластеризации в целом у предложенного метода меньше, чем у существующих методов, так как алгоритм К-средних в процедуре выбора начальных приближений не используется. В отличие от других методов ошибка кластеризации контролируется на стадии выбора начальных приближений. Также точность кластеризации увеличивается за счет того, что начальные приближения выбираются по всем существенным признакам исходного набора данных и выполняется замена полученных значений начальных приближений ближайшими элементами исходного набора данных.

Об авторах

В. И. Загребнюк
Одесская национальная академия связи им. А.С. Попова
Украина


В. Ю. Кумыш
Одесская национальная академия связи им. А.С. Попова
Украина


Список литературы

1. MacQueen, J.B. Some methods for classification and analysis of multivariate observations /

2. J.B. MacQueen // Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability. – Berkley : University of California Press, 1967. – Vol. 1. – Р. 281–297.

3. Bradley, P.S. Refining initial points for k-means clustering / P.S. Bradley, U.M. Fayyad //

4. Proceedings 15th International Conf. on Machine Learning. – San Francisco, CA, 1998. – Р. 91–99.

5. Pena, J. An Empirical comparison of four initialization methods for the k-means algorithm /

6. J. Pena, J. Lozano, P. Larranaga // Pattern Recognition Letters. – 1999. – Vol. 20. – P. 1027–1040.

7. Likas, A. The Global k-means Clustering algorithm / A. Likas, N. Vlassis, J.J. Verbeek //

8. Pattern Recognition. – 2003. – Vol. 36. – P. 451–461.

9. Khan, S.S. Cluster Center Initialization for K-mean Clustering / S.S. Khan, A. Ahmad //

10. Pattern Recognition Letters. – 2004. – Vol. 25. – P. 1293–1302.

11. Al-Daoud, M.B. A New Algorithm for Cluster Initialization / M.B. Al-Daoud // Proceedings

12. of World Academy of science, engineering and technology. – 2005. – Vol. 4. – P. 74–76.

13. Deelers, S. Enhancing K-Means Algorithm with Initial Cluster Centers Derived from Data

14. Partitioning along the Data Axis with the Highest Variance / S. Deelers, S. Auwatanamongkol //

15. Proceedings of World Academy of science, engineering and technology. – 2007. – Vol. 26. –

16. Р. 323–328.

17. Babu, G. A near optimal initial seed value selection in k-means algorithm using a genetic

18. algorithm / G. Babu, M. Murty // Pattern Recognition Letters. – 1993. – Vol. 14. – P. 763–769.

19. Berkeley Segmentation Dataset [Electronic resource]. – Мode of access : http://www.eecs.

20. berkeley.edu/Research/Projects/CS/vision/grouping/segbench. – Date of access : 05.10.2009.


Для цитирования:


Загребнюк В.И., Кумыш В.Ю. МЕТОД ВЫБОРА НАЧАЛЬНЫХ ПРИБЛИЖЕНИЙ ЦЕНТРОВ КЛАСТЕРОВ ДЛЯ АЛГОРИТМА К-СРЕДНИХ. Информатика. 2010;(1(25)):32-40.

For citation:


., . . Informatics. 2010;(1(25)):32-40. (In Russ.)

Просмотров: 37


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1816-0301 (Print)
ISSN 2617-6963 (Online)