برگشت به نقطه اول: پی.اس.اُ مبتنی بر غلظت

الگوریتم بهینه‌سازی ازدحام ذرات به طور گسترده برای تحلیل خوشه استفاده شده است. با این حال، این یک تکنیک تصادفی است که به انحراف پارامترها به راه حل خوشه‌بندی زیر بهینه آسیب‌پذیر است. الگوریتم‌های خوشه‌بندی مبتی بر پی.اس.اُ ن همچنین نیاز به تغییر مقدار ضریب یادگیری برای یافتن راه‌حل‌های بهتر دارند. اشکال بعدی می‌توانند در رفتن به وسیله تنظیم یک تعادل مناسب میان رفتارهای استخراج و اکشتاف ذرات در حال جستجوی فضای ویژگی باشد. به علاوه ذرات باید دامنه جنبش در هر بعد را محاسبه کرده و برای راه حل در بیشتر مناطق آلوده شده در فضای ویژگی دست به جستجو بزنند. این مطالعه رهیافت جدیدی برای خوشه‌بندی داده مبتنی بر ازدحام ذرات ارائه می‌دهد. در این پرپوزال تعادل میان فرایندهای پویش و استخراج با استفاده از ترکیب تکنیک تخمین غلظت هسته مرتبط با روش تخمین پنهای باند  برای نشان دادهن تقریب زودرس، و ضریب یادگیری گرانشی چند بعدی تخمین زده استفاده شده است. این الگوریتم پیشنهادی با استفاده از ۱۱ دیتاست بنچمارک از UCI Machine Learning Repository در شرایط رده‌بندی درست با ۱۱ تا از آخرین الگوریتم‌های کارکردی مقایسه شد. قابلیت تکرار ارائه شده به وسیله انحراف استاندار درستی رده‌بندی روی اجراهای متفاوت ارائه شد. و فشرده‌‌سازی خوشه به وسیله مقدار ایندکس دون روی اجراهای متفاوت ارائه گشت. نتایج رتبه‌های فریدمن و آزمون هولمز روی میانگین دقت رده‌بندی و مقادیر نمایه دون نشان می‌دهد که الگوریتم نشان داده شده دقت و فشرده‌سازی بهتری نسبت به دیگر الگوریتم‌ها دارد. اهمیت الگوریتم پیشنهادی در نشان دادن محدودیت‌های الگوریتم‌های خوشه‌بندی مبتنی بر پی.اس.اُ خوشه‌بندی را به عنوان یک تکنیک مهم در زمینه سیستم‌های خبره و یادگیری ماشین هل می‌دهد. چنین کاربردهایی کارایی دقت رده‌بندی و فشرده‌سازی خوشه‌بندی را بالا می‌برند. در این زمینه الگوریتم پیشنهادی نتایج بهتری نسبت به دیگر الگوریتم‌ها هنگام به کار بردن در دریتاست‌های با بعد بالا دارد. این یافته اهمیت تخمین ضریب‌های یادگیری چند بعدی که جنبش‌ ذره‌ها در همه ابعاد بضای ویژگی ملاحظه می‌کنند را برجسته می‌سازد. 

دیدگاه‌تان را بنویسید: