A New Validity Index for Fuzzy-Possibilistic C-Means Clustering

Abstract

In some complicated datasets, due to the presence of noisy data points and outliers, cluster validity indices can give conflicting results in determining the optimal number of clusters. This paper presents a new validity index for fuzzy-possibilistic c-means clustering called Fuzzy-Possibilistic)FP ( index, which works well in the presence of clusters that vary in shape and density. Moreover, FPCM like most of the clustering algorithms is susceptible to some initial parameters. In this regard, in addition to the number of clusters, FPCM requires a priori selection of the degree of fuzziness ( m ) and the degree of typicality ( ). Therefore, we presented an efficient procedure for determining an optimal value for m and . The proposed approach has been evaluated using several synthetic and real-world datasets. Final computational results demonstrate the capabilities and reliability of the proposed approach compared with several well-known fuzzy validity indices in the literature. Furthermore, to clarify the ability of the proposed method in real applications, the proposed method is implemented in microarray gene expression data clustering and medical image segmentation.

Thruster Fault Diagnostics and Fault Tolerant Control for Autonomous Underwater Vehicle with Ocean Currents

“…To solve the thruster diagnosis of AUV nonlinear system with ocean currents, it proposes the PFCM algorithm. PFCM algorithm is one popular clustering method, it is highly sensitive to noise and outliers, and the size of the clusters [23,24]. The algorithm is an unsupervised technique, the data is clustered based on similarities and dissimilarities, which are measured via distances of the cluster centers to the data points.…”

Penentuan Jumlah Klaster Optimal Menggunakan Cluster Validity Index Pada Metode Fuzzy C-Means Clustering

“…Selain lebih unggul dari metode K-Means, metode analisis klaster Fuzzy C-Means memiliki kelebihan, yaitu stabil terhadap data outlier, mampu mendeteksi klaster dengan baik, dan memiliki ketepatan dalam menentukan pusat klaster (Mashfuufah and Istiawan, 2018). Namun, dalam menjalankan algoritma pada metode Fuzzy C-Means Clustering, peneliti harus menetukan jumlah klaster terlebih dahulu, apabila peneliti asal dalam menentukannya maka hasil klaster yang tidak mencapai optimal, peneliti akan salah dalam menentukan keputusan dan kesimpulan penelitian tidak tepat (Wang and Zhang, 2007;Zarandi, Sotudian and Castillo, 2021). Hal tersebut menjadi kelemahan dari metode Fuzzy C-Means (Zarandi, Sotudian and Castillo, 2021).…”

“…Namun, dalam menjalankan algoritma pada metode Fuzzy C-Means Clustering, peneliti harus menetukan jumlah klaster terlebih dahulu, apabila peneliti asal dalam menentukannya maka hasil klaster yang tidak mencapai optimal, peneliti akan salah dalam menentukan keputusan dan kesimpulan penelitian tidak tepat (Wang and Zhang, 2007;Zarandi, Sotudian and Castillo, 2021). Hal tersebut menjadi kelemahan dari metode Fuzzy C-Means (Zarandi, Sotudian and Castillo, 2021).…”

“…Dalam melakukan analisis klaster, penentuan jumlah klaster berperan penting untuk menghasilkas dugaan dan kesimpulan yang baik (Wu et al, 2015). Untuk mendapatkan jumlah klaster yang optimal, algoritma pada metode Fuzzy C-Means harus dijalankan berkali-kali untuk setiap jumlah klaster yang telah ditentukan oleh peneliti, kemudian hasil atau outputnya diterapkan ke Indeks Validitas Klaster atau Cluster Validity Indices (CVI) untuk menentukan jumlah klaster yang optimal, dan jumlah klaster yang optimal yang akan diperoleh dari CVI akan menjadi kesimpulan dari penelitian (Zarandi, Sotudian and Castillo, 2021). Penelitian ini bertujuan untuk mendapatkan jumlah klaster yang optimal menggunakan Cluster Validity Index.…”

ITNR: Inversion Transformer-based Neural Ranking for Cancer Drug Recommendations

“…Conventional Machine Learning (ML) algorithms are generally designed to minimize regression or classification errors [12, 13, 16, 32, 42]. Many real-world applications, on the other hand, deemphasize prediction accuracy and prioritize the correct ordering among all the instances [33, 34].…”