We develop a new non-parametric inf

We develop a new non-parametric information theoretic clustering algorithm based on implicit estimation of cluster densities using the k-nearest neighbors (k-nn) approach. Compared to a kernel-based procedure, our hierarchical k-nn approach is very robust with respect to the parameter choices, with a key ability to detect clusters of vastly different scales. Of particular importance is the use of two different values of k, depending on the evaluation of within-cluster entropy or across-cluster cross-entropy, and the use of an ensemble clustering approach wherein different clustering solutions vote in order to obtain the final clustering. We conduct clustering experiments, and report promising results.

ผลลัพธ์ (ไทย) 1:

เราพัฒนาแบบใหม่ข้อมูลไม่ใช่พาราเมตริก theoretic ระบบคลัสเตอร์อัลกอริทึมตามนัยประเมินความหนาแน่นของคลัสเตอร์ที่ใช้วิธี (k-nn) k ใกล้บ้าน เมื่อเทียบกับตอนที่ใช้เคอร์เนล วิธี k-nn ลำดับชั้นของเราจะแข็งแกร่งมากกับตัวเลือกพารามิเตอร์ สามารถคีย์การตรวจของเครื่องชั่งต่าง ๆ เสมือน ความสำคัญโดยเฉพาะจะใช้ค่าแตกต่างกันสองของ k การประเมินผลของเอนโทรปีภายในคลัสเตอร์ หรือคลัสเตอร์ผ่าน ครอส- และเพลิดเพลินคลัสเตอร์โซลูชั่นระบบคลัสเตอร์ที่แตกต่างลงคะแนนเพื่อให้ได้สุดท้ายคลัสเตอร์นั้นวิธีการใช้ เราดำเนินการทดลองระบบคลัสเตอร์ และรายงานแนวโน้มผล

ผลลัพธ์ (ไทย) 2:

เราพัฒนาข้อมูลที่ไม่ใช่ข้อมูลพาราใหม่ขั้นตอนวิธีการจัดกลุ่มตามทฤษฎีอยู่บนพื้นฐานของการประมาณค่าโดยนัยของความหนาแน่นของคลัสเตอร์ที่ใช้เพื่อนบ้าน k-ที่ใกล้ที่สุด (k-NN) วิธีการ เมื่อเทียบกับขั้นตอนเคอร์เนลตามวิธี k-NN ลำดับชั้นของเรามีประสิทธิภาพมากที่เกี่ยวกับทางเลือกพารามิเตอร์ที่มีความสามารถที่สำคัญในการตรวจสอบกลุ่มของเครื่องชั่งน้ำหนักที่แตกต่างกันอย่างมากมาย ที่มีความสำคัญโดยเฉพาะอย่างยิ่งคือการใช้สองค่าที่แตกต่างกันของ k ข​​ึ้นอยู่กับการประเมินผลของเอนโทรปีภายในคลัสเตอร์หรือข้ามคลัสเตอร์ข้ามเอนโทรปีและการใช้วิธีการจัดกลุ่มวงในประเด็นการแก้ปัญหาการจัดกลุ่มที่แตกต่างกันการลงคะแนนเสียงเพื่อให้ได้การจัดกลุ่มสุดท้าย . เราดำเนินการทดลองการจัดกลุ่มและรายงานผลที่มีแนวโน้ม

ผลลัพธ์ (ไทย) 3:

เราพัฒนาบนเชิงทฤษฎีการจัดกลุ่มข้อมูลใหม่ โดยอยู่บนพื้นฐานของการใช้ระบบคลัสเตอร์มีเพื่อนบ้านละ ( k-nn ) วิธีการ เทียบกับเคอร์เนลขั้นตอนตามแนวทางการ k-nn ของเราแข็งแกร่งมากด้วยความเคารพไปยังพารามิเตอร์ตัวเลือกที่มีความสามารถที่สำคัญเพื่อตรวจสอบกลุ่มของเกล็ดแตกต่างกันอย่างมากของโดยเฉพาะอย่างยิ่งความสำคัญคือการใช้สองค่าที่แตกต่างกันของ K ขึ้นอยู่กับการประเมินผลภายในกลุ่มหรือข้ามกลุ่มข้ามเอนโทรปี entropy , และการใช้งานของวิธีการที่แตกต่างกันเพื่อการจัดกลุ่มการจัดกลุ่มทั้งหมดโซลูชั่นเสียง เพื่อให้ได้กลุ่มสุดท้าย . เราจะทำการแบ่งกลุ่มทดลองและรายงานผลตามสัญญา