روش يادگيري فعال بدون ناظر بهبود يافته براي خوشه بندي مجموعه داده هاي با بعد پايين

در اين مقاله رويكردي براي بهبود روش يادگيري فعال بدون ناظر ارائه شده است. روش يادگيري فعال بدون ناظر يك روش خوشه بندي چگالي محور است كه با در نظر گرفتن عدم قطعيت در دادهها، آنها را به صورت فازي در فضا مدل ميكند و بعد از جمع كردن اثرات آنها، توسط يك اپراتور بخشهاي چگال تشكيل شده را بطور موثري پيدا ميكند. اين روش مي تواند خوشههايي با شكلهاي پيچيده و مختلف را تشخيص داده و از يكديگر تفكيك نمايد. همچنين اين روش ميتواند بخوبي دادههاي نويزي و دادههاي پرت را شناسايي كند يكي از معايب اين روش هنگام كار كردن بر روي مجموعه دادهها با چگالي دستههاي متفاوت يا دستههاي نزديك به هم پيش ميآيد بطوريكه ممكن است براي تفكيك خوشهها دادههاي نسبتا زيادي را بصورت دادههاي پرت گزارش كند. بنابراين با اضافه كردن يك مرحله پسپردازش بر روي دادههاي پرت گزارش شده به فرآيند الگوريتم خوشهبندي ميتوان به نحوه موثري اين مشكل را حل نمود. براي بررسي بهبود عملكرد اين الگوريتم در مقايسه با روش يادگيري فعال بدون ناظر شبيهسازي روي مجموعه دادههاي مختلف صورت گرفته است.