فایل ورد کامل اثر کلی گروه خوشه بندی طیفی با وزن بالا

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل اثر کلی گروه خوشه بندی طیفی با وزن بالا،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۸ صفحه

V. نتیجه گیری
دو چالش در انتخاب گروه خوشه (CES) وجود دارد. از جمله پیشنهاد معیارهای اجماع قوی برای ارزیابی تنوع و برآورد پارامترهای بهینه در روش آستانه جهت انتخاب نتایج بررسی شده. این مقاله یک راه حل جدید برای حل چالش های ذکر شده را معرفی می کند. با به کارگیری برخی مفاهیم عرصه تشخیص جامعه و نمودار مبتنی بر خوشه بندی، این مقاله یک چارچوب جدید برای مسائل خوشه بندی پیشنهاد می کند که گروه خوشه بندی طیفی سنگین (WSCE) نام دارد. بر اساس این چارچوب، یک نسخه جدید از خوشه بندی طیفی، که خوشه بندی طیفی دو هسته ای (TKSC) نام دارد، برای تولید نمودار مبتنی بر نتایج خوشه بندی منحصر به فرد، مانند نتایج پارتیشنی و مدولار استفاده می شود. به جای استفاده از روش های مبتنی بر آنتروپی در CES سنتی، این مقاله روش مدولاریته (پیمانه ای بودن) نرمالیزه (NM) را معرفی می کند، که نسخه جدیدی از مدولاریته در عرصه تشخیص جامعه برای مسائل کلی خوشه بندی است. NM در نمایش نمودار تبدیل نتایج خوشه بندی منحصر به فرد برای ارائه یک برآورد موثر تنوع استفاده می شود. علاوه بر این، این مقاله یک راه حل جدید برای ترکیب نتایج خوشه بندی فردی مورد ارزیابی بدون روند آستانه معرفی می کند که خوشه بندی وزنی تجمعی شاهد (WEAC) نام دارد. در حالی که وزن هر نتیجه فردی در WAEC را می توان با معیارهای مختلف برآورد کرد، NM در این مقاله مورد استفاده قرار گرفته است. برای سنجش اثربخشی روش ارائه شده، یک مطالعه گسترده آزمایشی از طریق مقایسه با روش های خوشه بندی های فردی و همچنین روش های (انتخاب) گروه های خوشه ای بر روی تعداد زیادی از مجموعه داده ها انجام شده است. نتایج به وضوح برتری رویکرد ما را در مقایسه با هر دو مجموعه داده های نرمال و مجموعه داده های سر و صدا و یا مجموعه داده های با ارزش از دست رفته را نشان می دهد. در آینده، ما برای توسعه یک نسخه جدید از مدولاریته نرمال برای برآورد مستقیم تنوع نتایج پارتیشنی برنامه ریزی کرده ایم.

عنوان انگلیسی:Weighted Spectral Cluster Ensemble~~en~~

V. CONCLUSION

There are two challenges in Cluster Ensemble Selection (CES); i.e. proposing a robust consensus metric(s) for diversity evaluation and estimating optimum parameters in the thresholding procedure for selecting the evaluated results. This paper introduces a novel solution for solving mentioned challenges. By employing some concepts from community detection arena and graph based clustering, this paper proposes a novel framework for clustering problems, which is called Weighted Spectral Cluster Ensemble (WSCE). Under this framework, a new version of spectral clustering, which is called Two Kernels Spectral Clustering (TKSC), is used for generating graphs based individual clustering results; i.e. Partitional result and Modular result. Instead of entropy based methods in the traditional CES, this paper introduces Normalized Modularity (NM), which is a redefined version of modularity in the community detection arena for general clustering problems. The NM is used on the transformed graph representation of individual clustering results for providing an effective diversity estimation. Moreover, this paper introduces a new solution for combining the evaluated individual clustering results without the procedure of thresholding, which is called Weighted Evidence Accumulation Clustering (WEAC). While the weight of each individual result in WEAC can be estimated with different metrics, the NM was used in this paper. To validate the effectiveness of the proposed approach, an extensive experimental study is performed by comparing with individual clustering methods as well as cluster ensemble (selection) methods on a large number of data sets. Results clearly show the superiority of our approach on both normal data sets and those with noise or missing values. In the future, we plan to develop a new version of normalized modularity for estimating the diversity of Partitional results, directly

$$en!!