بهبود عملکرد الگوریتم خوشه بندی فازی سی- مینز با وزن دهی اتوماتیک و محلی ویژگی ها

خوشه بندی یکی از راه کارهای مهم در تحلیل داده هاست. در راه کارهای کلاسیکِ خوشه بندی معمولاً فرض بر این است که همه ویژگی ها از درجه اهمیت یکسانی برخوردارند. این در حالی است که در مجموعه داده های واقعی یک سری از ویژگی ها اهمیت بیش تری نسبت به دیگر ویژگی ها دارند. در نتیجه ویژگی های مهم تأثیر بیش تری در شناسایی خوشه های بهینه نسبت به سایر ویژگی ها خواهند داشت. در این مقاله، یک الگوریتم خوشه بندی فازی با وزن دهی اتوماتیک محلی ارائه شده است. الگوریتم پیشنهادی دارای سه مزیت اصلی است. مزیت اول این است که وزن دهی ویژگی ها را به صورت محلی انجام می دهد به طوری که وزن ویژگی ها در یک خوشه نسبت به خوشه دیگر متفاوت است. مزیت دوم، استفاده از یک معیار شباهت غیر اقلیدسی برای به دست آوردن فاصله بین نمونه ها به منظور کاهش حساسیت الگوریتم نسبت به نویز است. مزیت سوم این است که وزن ویژگی ها به صورت تطبیقی و در طول فرآیند یادگیری به دست می آید. در این مقاله تحلیل های ریاضی برای به دست آوردن توابع به روزرسانی مراکز خوشه ها و وزن های ویژگی ها ارائه شده است. هم چنین تحلیل های ریاضی جهت اثبات هم گرایی الگوریتم نیز ارائه شده است. آزمایش های انجام گرفته بر روی یک مجموعه داده مصنوعی و پنج مجموعه داده واقعی نشان دهنده کارایی بالای الگوریتم پیشنهادی در مقایسه با دیگر الگوریتم های پیشنهادی با وزن دهی سراسری و محلی ویژگی ها است.