بررسي كارايي يك روش خوشه‌بندي مركب با الگوريتم‌‌‌‌هاي خوشه‌بندي منفرد شامل k- ميانگين، k-مدوئيد، خوشه‌بندي طيفي و خوشه‌بندي سلسله مراتبي تجمعي با شاخص اطلاعات متقابل نرمال‌شده

Investigating the efficiency of a ensemble clustering method with single clustering algorithms including k-means, k-medoids, spectral clustering and Agglomerative Hierarchical Clustering with normalized mutual information index.

هدف روش خوشه‌‌بندي مركب تركيب خوشه‌بندي‌هاي متعدد براي رسيدن به يك خوشه‌بندي احتمالاً بهتر و قوي‌تر است. يكي از مسأله‌‌هاي مطرح در رويكردهاي خوشه‌بندي مركب اين‌است كه بسياري از رويكردها فاقد توانايي وزن‌دهي به خوشه‌بندي‌هاي پايه بدون دسترسي به داده‌هاي اصلي هستند و مي‌توانند به‌طور قابل‌توجهي تحت تأثير خوشه‌بندي‌هاي با كيفيت پايين يا حتي بي‌كيفيت قرار بگيرند. در پژوهش‌ها براي پرداختن به اين محدوديت، خوشه‌بندي مركب از طريق تخمين توافق جمعيت پيشنهاد شده‌است و شاخص توافق جمعيت نرمال‌شده (NCAI) براي ارزيابي كيفيت خوشه‌بندي‌هاي پايه به شيوه‌اي بدون نظارت ارائه شده‌است، بنابراين خوشه‌‌بندي‌هاي پايه مطابق با اعتبار خوشه‌بندي آن‌ها وزن‌گذاري شده‌اند و با توجه به اطلاعات NCAI ، يك تابع اجماع با عنوان خوشه‌بندي انباشت شواهد وزن‌دار (WEAC) پيشنهاد شده‌است. در اين پژوهش الگوريتم‌هاي پايه به‌كار گرفته‌شده در روشWEAC تغيير داده شده‌است و كارايي آن روي دو مجموعه‌داده استاندارد مورد بررسي قرار گرفته‌‌است.