يادگيري مبتني بر كلاس‌بندي c- ميانگين با استفاده از توزيع آميخته مقياسي نرمال با اطلاعات گمشده

يكي از پركاربردترين مدل‌ها براي رده‌بندي‎‎ يا كلاس‌بندي داده‌ها كه در سال‌هاي اخير مورد توجه بسياري از پژوهشگران قرار گرفته است، مدل‌هاي مخلوط متناهي است. بطور كلي رده‌بندي به فرايندي گفته مي‌شود كه در آن هر يك از مشاهدات به يكي از گروه‌هاي مشخص شده تعلق گرفته مي‌شود. گرچه ايده اصلي در مدل‌هاي مخلوط بر اساس توزيع نرمال بوده است، اما در سال‌هاي اخير با معرفي توزيع‌هاي ديگر مدل‌هاي مخلوط بر اساس اين توزيع‌ها مورد توجه بسياري از محققين بوده است. در مقالات از الگوريتم ‎EM‎ و گسترش‌هاي آن براي برآورديابي استفاده شده است. با اين حال اين امكان وجود دارد كه الگوريتم ‎EM‎ نتايج مناسبي براي كلاس‌بندي ارايه ندهد‏، زيرا در اين روش هر عضو مشاهدات متعلق به يك كلاس است. اين محدوديت باعث استفاده از رويكرد كلاس‌بندي فازي در اين نوع مسائل شد. در اين مقاله يك الگوريتم كلاس‌بندي براساس توزيع مخلوط متناهي‏ آميخته مقياسي نرمال‏ ارائه شده است. در اين الگوريتم براي كلاس‌بندي از روش يادگيري فازي ‎-c‎ميانگين استفاده شده است.‎ براي بررسي تاثير مقادير گمشده بر كلاس‌بندي داده‌ها‏، داده گمشده نيز در نظر گرفته شده است. از ساختار توزيع مخلوط متناهي‏ آميخته مقياسي نرما‎‏ل براي بررسي داده‌هاي گمشده و كلاس‌بندي داده‌ها استفاده مي‌شود. در انتها نيز با استفاده از مثال واقعي و داده‌هاي شبيه‌سازي شده، مقايسه بين الگوريتم ‎‎LB-‎FCM‎‎ و ‎‎EM‎‎ صورت مي‌گيرد. از اين مقايسه نتيجه شده است كه استفاده از اين الگوريتم براي كلاس‌بندي داده‎‌ها مناسبتر است.