A heuristic clustering algorithm using union of overlapping pattern-cells

Warnekar, C.S.; Krishna, G.

doi:10.1016/0031-3203(79)90054-2

Cited by 12 publications

(2 citation statements)

References 8 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…What is interesting herein is that this group of algorithms allows for the traversal of neighbour cells. The first algorithm in this group was introduced by Warnekar and Krishna [14]. Nowadays, the most well-known algorithms in this group are CLIQUE, MAFIA, ENCLUS, OptiGrid, Ocluster and CBF.…”

Section: Introductionmentioning

confidence: 99%

Clustering based on the Krill Herd Algorithm with Selected Validity Measures

Kowalski

Łukasik

Charytanowicz

et al. 2016

Annals of Computer Science and Information Systems

View full text Add to dashboard Cite

Abstract-This paper describes a new approach to metaheuristic-based data clustering by means of Krill Herd Algorithm (KHA). In this work, KHA is used to find centres of the cluster groups. Moreover, the number of clusters is set up at the beginning of the procedure, and during the subsequent iterations of the optimization algorithm, particular solutions are evaluated by selected validity criteria. The proposed clustering algorithm has been numerically verified using twelve data sets taken from the UCI Machine Learning Repository. Additionally, all cases of clustering were compared with the most popular method of k-means, through the Rand Index being applied as a validity measure.

show abstract

Section: Introductionmentioning

confidence: 99%

Clustering based on the Krill Herd Algorithm with Selected Validity Measures

Kowalski

Łukasik

Charytanowicz

et al. 2016

Annals of Computer Science and Information Systems

View full text Add to dashboard Cite

show abstract

“…These techniques divide the data space into a finite number of cells (creating a grid structure) and then try to discover clusters from dense regions in the cells. Grids were initially proposed in [128], but they only gained popularity after the methods STING and CLIQUE were introduced. The main advantage of grid-based clustering is a significant reduction in execution time because the grouping complexity of these algorithms depends on the pre-defined number of grid cells and not on the number of samples in the data.…”

Section: Density-based and Grid-based Clusteringmentioning

confidence: 99%

A divide-and-conquer clustering approach based on optimum-path forest

Montero¹

View full text Add to dashboard Cite

ResumoO agrupamento de dados é um dos principais desafios em problemas de Ciência de Dados. Apesar do seu progresso científico em quase um século de existência, algoritmos de agrupamento ainda falham na identificação de grupos (clusters) naturalmente relacionados com a semântica do problema. Ademais, os avanços das tecnologias de aquisição, comunicação, e armazenamento de dados acrescentam desafios cruciais com o aumento considerável de dados, os quais não são tratados pela maioria das técnicas. Essas questões são endereçadas neste trabalho através da proposta de uma abordagem de divisão e conquista para uma técnica de agrupamento única em encontrar um grupo por domo da função de densidade de probabilidade dos dados -o algoritmo de agrupamento por floresta de caminhos ótimos (OPF -Optimum-Path Forest). Nesta técnica, amostras são interpretadas como nós de um grafo cujos arcos conectam os k-vizinhos mais próximos no espaço de características. Os nós são ponderados pela sua densidade de probabilidade e um mapa de conexidade é maximizado de modo que cada máximo da função densidade de probabilidade se torna a raiz de uma árvore de caminhos ótimos (grupo). O melhor valor de k é estimado por otimização em um intervalo de valores dependente da aplicação. O problema com este método é que um número alto de amostras torna o algoritmo inviável, devido ao espaço de memória necessário para armazenar o grafo e o tempo computacional para encontrar o melhor valor de k. Visto que as soluções existentes levam a resultados ineficazes, este trabalho revisita o problema através da proposta de uma abordagem de divisão e conquista com dois níveis. No primeiro nível, o conjunto de dados é dividido em subconjuntos (blocos) menores e as amostras pertencentes a cada bloco são agrupadas pelo algoritmo OPF. Em seguida, as amostras representativas de cada grupo (mais especificamente as raízes da floresta de caminhos ótimos) são levadas ao segundo nível, onde elas são agrupadas novamente. Finalmente, os rótulos de grupo obtidos no segundo nível são transferidos para todas as amostras do conjunto de dados através de seus representantes do primeiro nível. Nesta abordagem, todas as amostras, ou pelo menos muitas delas, podem ser usadas no processo de aprendizado não supervisionado, sem afetar a eficácia do agrupamento e, portanto, o procedimento é menos susceptível a perda de informação relevante ao agrupamento. Os resultados mostram agrupamentos satisfatórios em dois cenários, segmentação de imagem e agrupamento de dados arbitrários, tendo como base a comparação com abordagens populares. No primeiro cenário, a abordagem proposta atinge os melhores resultados em todas as bases de imagem testadas. No segundo cenário, os resultados são similares aos obtidos por uma versão otimizada do método original de agrupamento por floresta de caminhos ótimos.Palavras-chave: agrupamento, floresta de caminhos ótimos, segmentação de imagem, transformada imagem-floresta, paradigma de divisão e conquista, aprendizado de máquina.

show abstract

Outlier Detection with Streaming Dyadic Decomposition

Gupta

Grossman

Advances in Data Mining. Theoretical Aspects and Applications

View full text Add to dashboard Cite

A heuristic clustering algorithm using union of overlapping pattern-cells

Cited by 12 publications

References 8 publications

Clustering based on the Krill Herd Algorithm with Selected Validity Measures

Clustering based on the Krill Herd Algorithm with Selected Validity Measures

A divide-and-conquer clustering approach based on optimum-path forest

Outlier Detection with Streaming Dyadic Decomposition

Contact Info

Product

Resources

About