Вестник КРАУНЦ. Физ.-мат. науки. 2022.Т. 39. №2. C. 136-149. ISSN 2079-6641

Содержание выпуска

Read English Version US Flag

УДК 519.7

Научная статья

Алгоритм кластеризации на основе разбиения пространства признаков

М. А. Казаков

Институт прикладной математики и автоматизации КБНЦ РАН 360000, КБР, г. Нальчик, ул. Шоратнова 89 А

E-mail: kasakow.muchamed@gmail.com

В данной статье предлагается новый способ робастной кластеризации на основе рекурсивного разбиения пространства признаков и анализа плотностей. Представлен алгоритм робастной кластеризации линейно неразделимых точек, его программная реализация, а также результаты тестирования на классических
наборах данных.

Ключевые слова: кластеризация, робастная кластеризация, машинное обучение.

DOI: 10.26117/2079-6641-2022-39-2-136-149

Поступила в редакцию: 05.07.2022

В окончательном варианте: 22.08.2022

Для цитирования. Казаков М. А. Алгоритм кластеризации на основе разбиения пространства признаков // Вестник КРАУНЦ. Физ.-мат. науки. 2022. Т. 39. № 2. C. 136-149. DOI: 10.26117/2079-6641-2022-39-2-136-149

Контент публикуется на условиях лицензии Creative Commons Attribution 4.0 International (https://creativecommons.org/licenses/by/4.0/deed.ru)

© Казаков М. А., 2022

Конкурирующие интересы. Конфликтов интересов в отношении авторства и публикации нет.

Авторский вклад и ответственность. Автор участвовал в написании статьи и полностью несет ответственность за предоставление окончательной версии статьи в печать.

Благодарность. Также авторы могут выразить благодарности своим коллегам за обсуждение и подготовку статьи к печати, а также рецензентам за ценные замечания.

Список литературы

  1. Géron A. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems.. O’Reilly Media, Inc.: 2st edition, 2019. 856 pp.
  2. Raschka S. Python machine learning. Packt publishing ltd: 1st edition, 2015. 456 pp.
  3. Müller A. C., Guido S. Introduction to machine learning with Python: a guide for data scientists. O’Reilly Media: 1st edition, 2016. 398 pp.
  4. MacQueen J.BSome Methods for classification and Analysis of Multivariate Observations, Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability, 1967. vol. 1, pp. 281–297.
  5. Lloyd S., Stuart P. Least square quantization in PCM, IEEE Transactions on Information Theory, 1982. vol. 28, no. 2, pp. 129–137.
  6. Sibson R. SLINK: an optimally efficient algorithm for the single-link cluster method, The Computer Journal. British Computer Society, 1973. vol. 16, no. 1, pp. 30–34.
  7. Defays D. An efficient algorithm for a complete link method, The Computer Journal. British Computer Society, 1977. vol. 20, no. 4, pp. 364–366.
  8. Ester M., Kriegel H.P., Sander J., Xu X.A density-based algorithm for discovering clusters in large spatial databases with noise,KDD., 1996. vol. 96, no. 34, pp. 226–231.
  9. Sander J. et al. Density-based clustering in spatial databases: The algorithm gdbscan and its applications, Data mining and knowledge discovery, 1998. vol. 2, no. 2, pp. 169–194.
  10. Shibzukhov Z. M.On the Principle of Empirical Risk Minimization Based on Averaging Aggregation Functions, Doklady Mathematics, 2017. vol. 96, no. 2, pp. 494–497 DOI: 10.1134/S106456241705026X.
  11. Shibzukhov Z. M.On a Robust Approach to Search for Cluster Centers,Automation and Remote Control, 2021. vol. 82, no. 10, pp. 1742–1751 DOI: 10.1134/S0005117921100118.
  12. Shibzukhov Z. M. Machine Learning Based on the Principle of Minimizing Robust Mean Estimates, Brain-Inspired Cognitive Architectures for Artificial Intelligence: BICA*AI 2020, 2020. vol. 1310, pp. 472–477 DOI: 10.1007/978-3-030-65596-956.
  13. Kharinov M. V. Superpixel Clustering, International Russian Automation Conference (RusAutoCon). – IEEE, 2021, pp. 303–308 DOI: 10.1109/RusAutoCon52004.2021.9537461.
  14. Huang D., Wang C. D., Lai J. H. Locally weighted ensemble clustering, IEEE transactions on cybernetics, 2017. vol. 48, no. 5, pp. 1460–1473 DOI: 10.1109/TCYB.2017.2702343.
  15. Debnath T., Song M. Fast Optimal Circular Clustering and Applications on Round Genomes, IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2021. vol. 18, no. 6, pp. 2061–2071 DOI: 10.1109/TCBB.2021.3077573.
  16. Nock R., Nielsen F.On Weighting Clustering, IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006. vol. 28, no. 8, pp. 1223–1235 DOI: 10.1109/TPAMI.2006.168.
  17. Kaur P. J. et al. Cluster quality based performance evaluation of hierarchical clustering method, 1st International Conference on Next Generation Computing Technologies (NGCT). – IEEE, 2015, pp. 649–653 DOI: 10.1109/NGCT.2015.7375201.
  18. Flach P. Machine learning: the art and science of algorithms that make sense of data. Cambridge University Press: 1st edition, 2012. 416 pp.
  19. Shu M. L. et al. Planning the obstacle-avoidance trajectory of mobile anchor in 3D sensor networks, Science China Information Sciences, 2015. vol. 58, no. 10, pp. 1–10 DOI: 10.1007/s11432-015-5354-2.
  20. Ankerst M., Breunig M., Kriegel H.P., Sander J. OPTICS: Ordering Points To Identify the Clustering Structure, ACM SIGMOD international conference on Management of data. ACM Press., 1999. vol. 28, no. 2, pp. 49–60 DOI: 10.1145/304181.304187.
  21. Achtert, E., Böhm, C., Kröger, P. DeLi-Clu: Boosting Robustness, Completeness, Usability, and Efficiency of Hierarchical Clustering by a Closest Pair Ranking,Advances in Knowledge Discovery and Data Mining. Lecture Notes in Computer Science, 2006. vol. 3918, pp. 119–128 DOI: 10.1007/1173113916.

Казаков Мухамед Анатольевич – младший научный сотрудник отдела Нейроинформатики и машинного обучения, Институт прикладной математики и автоматизации, Кабардино-Балкарская Республика, г. Нальчик, Россия, ORCID 0000-0002-5112-5079.

Читать статьюСкачать