Loading...الگوریتم خوشه بندی k-Medoids در متلب
در این بخش پیاده سازی الگوریتم خوشه بندی k-Medoids در نرم افزار MATLAB آماده کرده ایم که در ادامه به توضیحاتی در مورد معرفی این روش خوشه بندی تفاوت آن با روش خوشه بندی کی مینز پرداخته و فیلم و تصاویر خروجی پروژه قرار داده شده است.
الگوریتم خوشه بندی k-Medoids
الگوریتم k-Medoids که بهبود یافته الگوریتم k-Means است، عملکردی بسیار شبیه به الگوریتم k-Means دارد، با این تفاوت که در الگوریتم k-Medoids به جای استفاده از میانگین، از خود نمونه ها برای مرکز ثقل و نمایندگی خوشه ها استفاده می شود. با انتخاب نمونه های واقعی جهت نمایش یک خوشه، حساسیت روش نسبت به نمونه های نویز و خارج از محدوده کاهش می یابد. فراموش نکنید که الگوریتم k-Medoids به دلیل اینکه حتی تعداد کمی از این داده ها می تواند در مقدار میانگین تأثیر بگذارد، الگوریتم به اینگونه از داده ها بسیار حساس است.
بنابراین روش k-Medoids برخلاف روش k-Means به جای اینکه مقادیر میانگین از نمونه ها را دریافت کند، از مرکزی ترین نمونه موجود در خوشه به عنوان نمایش و نماینده خوشه استفاده می کند. به همین دلیل این الگوریتم حساسیت کمی نسبت به داده های خارج از محدوده از خود نشان می دهد. همانند k-Means در ابتدا باید مقدار k را مشخص کنید پس از آن تعداد k نمونه به عنوان نماینده های اولیه k خوشه به صورت اتفاقی انتخاب می شوند. پس از تشکیل ماتریس تشابه، هر یک از نمونه های باقی مانده (n-k نمونه) باید در یکی از این k خوشه قرار گیرند. توجه کنید که می توانیم به جای تشکیل ماتریس تشابه، فاصله هر یک از نمونه های باقی مانده را با k نمونه اولیه محاسبه کنیم. هر نمونه به نزدیک ترین نماینده تعلق دارد.
تا این مرحله از الگوریتم تفاوتی میان k-Means و k-Medoids مشاهده نمی شود. پس از این با جایگزینی یک نمونه از داده ها با یکی از k نمونه نماینده، کیفیت و مناسب بودن خوشه های بدست آمده از این جایگزینی بررسی می شوند. در صورت بهبود در نتایج، مجاز به جایگزینی نماینده مزبور خواهیم بود.
تصاویری از خروجی
هیچ نظری ثبت نشده است