Signal and Data Processing

fa انتخاب اعضای ترکیب در خوشه‌بندی ترکیبی با استفاده از رأی‌گیری Cluster ensemble selection using voting مقالات پردازش داده‌های رقمی Paper پژوهشي Research <div style="text-align: justify;">خوشه‌بندی ترکیبی، به ترکیب نتایج حاصل از خوشه‌بندی‌های موجود می‌پردازد. پژوهش‌های دهۀ اخیر نشان می‌دهد، چنانچه به جای ترکیب همۀ خوشه‌بندی‌ها، تنها دست‌های از آنها بر اساس کیفیت و تنوع انتخاب شوند، آنچه به‌عنوان خروجی خوشهبندی ترکیبی حاصل می‌شود، بسیار دقیق‌تر خواهد بود. این مقاله به ارائه یک روش جدید برای انتخاب خوشه‌بندی‌ها بر اساس دو معیار کیفیت و تنوع می‌پردازد. برای رسیدن به این منظور ابتدا خوشه‌بندی‌های مختلفی با استفاده از الگوریتم k-means ایجاد می‌شود که در هر بار اجرا، مقدار k یک عدد تصادفی است. در ادامه خوشه‌بندی‌هایی که به این نحو تولید شدهاند، با استفاده از الگوریتم جدیدیکه براساس میزان شباهت بین خوشه‌بندی‌های مختلف عمل می‌کند، گروه‌بندی می‌شوند تا آن‌دسته از خوشه‌بندی‌هایی که به یکدیگر شبیه‌اند در یک دسته قرار گیرند؛ سپس از هر دسته، با استفاده از یک روش مبتنی بر رأی‌گیری، با کیفیت‌ترین عضو آن برای ایجاد خوشه‌بندی ترکیبی انتخاب می‌شود. در این مقاله از سه تابع HPGA، CSPA و MCLA برای ترکیب خوشه‌بندی‌ها استفاده شده است. در انتها برای آزمایش  این روش جدید از  داده‌های واقعی موجود در پایگاه داده UCI استفاده شده است. نتایج نشان می‌دهد که روش جدید کارایی بیشتر و دقیق‌تری نسبت به روش‌های قبلی دارد.</div> Clustering is the process of division of a dataset into subsets that are called clusters, so that objects within a cluster are similar to each other and different from objects of the other clusters. So far, a lot of algorithms in different approaches have been created for the clustering. An effective choice (can combine) two or more of these algorithms for solving the clustering problem. Ensemble clustering combines results of existing clusterings to achieve better performance and higher accuracy. Instead of combining all of existing clusterings, recent decade researchers show, if only a set of clusterings is selected  based on quality and diversity, the result of ensemble clustering would be more accurate. This paper proposes a new method for ensemble clustering based on quality and diversity. For this purpose, firstly first we need a lot of different base clusterings to combine them. Different base clusterings are generated by k-means algorithm with random k in each execution. After the generation of base clusterings, they are put into different groups according to their similarities using a new grouping method. So that clusterings which are similar to each other are put together in one group. In this step, we use normalized mutual information (NMI) or adjusted rand index (ARI) for computing similarities and dissimilarities between the base clustering. Then from each group, a best qualified clustering is selected via a voting based method. In this method, Cluster-validity-indices were used to measure the quality of clustering. So that all members of the group are evaluated by the Cluster-validity-indices. In each group, clustering that optimizes the most number of Cluster-validity-indices is selected.  Finally, consensus functions combine all selected clustering. Consensus function is an algorithm for combining existing clusterings to produce final clusters. In this paper, three consensus functions including CSPA, MCLA, and HGPA have used for combining clustering. To evaluate proposed method, real datasets from UCI repository have used. In experiment section, the proposed method is compared with the well-known and powerful existing methods. Experimental results demonstrate that proposed algorithm has better performance and higher accuracy than previous works.   خوشه‌بندی ترکیبی, انتخاب اعضا, شاخص‌های ارزیابی کیفیت Ensemble clustering, select member, validity index 17 30 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-815-3&slc_lang=fa&sid=1 Alireza Latifi Pakdehi علیرضا لطیفی پاکدهی alireza.latifi@yahoo.com 10031947532846007073 10031947532846007073 No Shahid Rajaee Teacher Training University دانشگاه تربیت دبیر شهید رجایی Negin Daneshpour نگین دانشپور ndaneshpour@sru.ac.ir 10031947532846007074 10031947532846007074 Yes Shahid Rajaee Teacher Training University دانشگاه تربیت دبیر شهید رجایی