Classification is an integral part

Classification is an integral part of any pattern recognition system. Depending on
whether a set of labeled training samples is available or not, classification can be
either supervised or unsupervised. Clustering is an important unsupervised classification
technique where a number of data points are grouped into clusters such that
points belonging to the same cluster are similar in some sense and points belonging
to different clusters are dissimilar in the same sense. Cluster analysis is a complex
problem as a variety of similarity and/or dissimilarity measures exist in the literature
without any universal definition. In a crisp clustering technique, each pattern is
assigned to exactly one cluster, whereas in the case of fuzzy clustering, each pattern
is given a membership degree to each class. Fuzzy clustering is inherently more
suitable for handling imprecise and noisy data with overlapping clusters.
For partitioning a data set, one has to define a measure of similarity or proximity
based on which cluster assignments are done. The measure of similarity is usually
data dependent. It may be noted that, in general, one of the fundamental features of
shapes and objects is symmetry, which is considered to be important for enhancing
their recognition. Examples of symmetry abound in real life, such as the human
face, human body, flowers, leaves, and jellyfish. As symmetry is so common, it
may be interesting to exploit this property while clustering a data set. Based on this
observation, in recent years a large number of symmetry-based similarity measures
have been proposed. This book is focused on different issues related to clustering,
with particular emphasis on symmetry-based and metaheuristic approaches.
The aim of a clustering technique is to find a suitable grouping of the input data
set so that some criteria are optimized. Hence, the problem of clustering can be
posed as an optimization problem. The objective to be optimized may represent
different characteristics of the clusters, such as compactness, symmetrical compactness,
separation between clusters, connectivity within a cluster, etc. A straightforward
way to pose clustering as an optimization problem is to optimize some cluster
validity index that reflects the goodness of the clustering solutions. All possible values
of the chosen optimization criterion (validity index) define the complete search
space. Traditional partitional clustering techniques, such as K-means and fuzzy Cmeans,
employ a greedy search technique over the search space in order to optimize

ผลลัพธ์ (ไทย) 3:

จัดเป็นส่วนหนึ่งของรูปแบบใด ๆการยอมรับระบบ ขึ้นอยู่กับ
ว่าชุดของข้อความตัวอย่างการฝึกอบรมสามารถใช้ได้หรือไม่ การจัดหมวดหมู่ สามารถ
ทั้งดูแล หรือแบบไม่โต้ตอบ การจัดกลุ่มเป็นเทคนิคการจำแนก
unsupervised สำคัญซึ่งมีจำนวนของจุดข้อมูลจะแบ่งออกเป็นกลุ่ม เช่น
จุดที่อยู่ในกลุ่มเดียวกันจะเหมือนกันในความรู้สึกบางอย่าง และคะแนนของกลุ่มที่แตกต่างกันจะแตกต่างกัน
ไปในความรู้สึกเดียวกัน การวิเคราะห์การเกาะกลุ่มเป็นปัญหาซับซ้อน
เป็นความหลากหลายของความเหมือน และ / หรือ วัดจะอยู่ในวรรณคดี
ไม่มีสากลนิยาม ในกรอบข้อมูลเทคนิค แต่ละรูปแบบมี
มอบหมายให้ตรงหนึ่งกระจุกขณะที่กรณีของ Fuzzy การจัดกลุ่มแต่ละแบบแผน
ให้สมาชิกระดับ แต่ละระดับ ฟัซซี่สำหรับเป็นอย่างโดยเนื้อแท้มากกว่า
เหมาะสำหรับการจัดการข้อมูลไม่แน่ชัดและเสียงดังกับกลุ่มที่ทับซ้อนกัน .
สำหรับพาร์ทิชันข้อมูลชุดหนึ่งมีการกำหนดมาตรการของความเหมือนหรือใกล้เคียง
อยู่บนพื้นฐานที่กลุ่มได้รับมอบหมายเสร็จแล้ว วัดความคล้ายคลึงกันเป็นปกติ
ข้อมูลขึ้นอยู่กับมันอาจจะสังเกตว่าโดยทั่วไปหนึ่งในคุณสมบัติพื้นฐานของ
รูปร่างและวัตถุเป็นสมมาตร ซึ่งถือว่าเป็นสิ่งสำคัญสำหรับการเพิ่ม
การรับรู้ของพวกเขา ตัวอย่างของสมมาตรดาษดื่นในชีวิตจริง เช่น มนุษย์
ใบหน้า ร่างกาย มนุษย์ ดอกไม้ ใบไม้ และแมงกะพรุน เป็นสมมาตรทั่วไปดังนั้น มันอาจจะน่าสนใจที่จะใช้ประโยชน์จาก
แห่งนี้ในขณะที่การจัดกลุ่มข้อมูลชุด
ตามนี้การสังเกต ใน ปี ล่าสุด ตัวเลขขนาดใหญ่ของสมมาตรความเหมือนมาตรการ
ตามได้รับการเสนอ หนังสือเล่มนี้จะเน้นในประเด็นต่าง ๆ ที่เกี่ยวข้องกับ การเข้ากลุ่ม
โดยเน้นการใช้วิธีการสมมาตรและเมตาฮิวริ ิก .
จุดมุ่งหมายของกลุ่ม เป็นเทคนิคเพื่อค้นหากลุ่มที่เหมาะสมของข้อมูลเข้า
ตั้งค่าเพื่อให้เกณฑ์บางอย่างที่ดีที่สุด . ดังนั้นปัญหาของการจัดกลุ่มสามารถ
เคยเป็นปัญหาการเพิ่มประสิทธิภาพ วัตถุประสงค์เพื่อให้เหมาะอาจเป็นตัวแทน
ลักษณะที่แตกต่างกันของกลุ่ม เช่น แข็งสมมาตรกล่าว
, แยกระหว่างกลุ่มเครือข่ายภายในกลุ่ม ฯลฯ ตรงไปตรงมา
วิธีที่จะก่อให้เกิดการจัดกลุ่มเป็นปัญหาการเพิ่มประสิทธิภาพคือการเพิ่มประสิทธิภาพบางกลุ่ม
ได้ค่าดัชนีความตรงตามเนื้อหาที่สะท้อนให้เห็นถึงความดีของ clustering โซลูชั่น ค่าทั้งหมดที่เป็นไปได้ของการเพิ่มประสิทธิภาพ (
เลือกเกณฑ์ดัชนีความตรง ) กำหนดพื้นที่การค้นหา
สมบูรณ์ partitional การจัดกลุ่มแบบฟัซซี่และเทคนิค เช่น k-means cmeans
, จ้างละโมบค้นหาเทคนิคผ่านการค้นหาช่องว่างเพื่อเพิ่มประสิทธิภาพ