On cluster validity for the fuzzy c-means model

Pal, Nikhil R.; Bezdek, James C.

doi:10.1109/91.413225

Cited by 1,600 publications

(663 citation statements)

References 9 publications

Supporting

Mentioning

637

Contrasting

Unclassified

Order By: Relevance

“…É uma prática comum em abordagens sistemáticas, para a identificação da quantidade ideal de grupos em problemas de agrupamento automático, utilizar k=2..k max , sendo k max = n ( [Pal and Bezdek, 1995] [Pakhira et. al., 2005] .…”

Section: -Experimentos Computacionaisunclassified

Método Baseado em Combinação de Soluções com Particionamento de Grafos para o Problema de Agrupamento Automático

Semaan¹,

Rodrigues²,

Brito³

et al. 2015

L&NLM

View full text Add to dashboard Cite

Resumo. Os métodos de classificação podem ser aplicados com duas finalidades, quais sejam: identificar grupos dentro de um conjunto de dados, supondo fixado o número de grupos e uma função objetivo, ou identificar o número ideal de grupos mediante avaliação de algum índice de validação. Neste sentido, o presente trabalho traz a proposta de um método de combinação de agrupamentos baseada no particionamento de grafos para a obtenção de padrões em soluções para o problema de agrupamento automático. A qualidade das soluções obtidas com a utilização do método proposto é avaliada mediante a aplicação do índice silhueta, que combina coesão e separação. Foram realizados experimentos preliminares com o objetivo de selecionar instâncias que possuem tendência à formação de agrupamentos por meio da utilização da Estatística de Hopkins. Os resultados apresentados neste estudo indicam que o método proposto foi capaz de identificar padrões nas soluções do conjunto base, obtidas com a utilização do algoritmo da literatura baseado em densidade, DBSCAN. Além disso, as soluções obtidas com o método proposto foram equivalentes ou superiores às soluções do conjunto base.

show abstract

Section: -Experimentos Computacionaisunclassified

Método Baseado em Combinação de Soluções com Particionamento de Grafos para o Problema de Agrupamento Automático

Semaan¹,

Rodrigues²,

Brito³

et al. 2015

L&NLM

View full text Add to dashboard Cite

show abstract

“…In detail: The two levels (DE and FSTS method) run iteratively until a minimum BIC value is achieved. We propose the user to run OLYMPUS after setting the cluster number in the range {N cmin , N cmax }, where N cmin is set to 2 and N cmax equal to g n according to the rule of thumb used by many investigators in literature [30][31]. The behavior of BIC function monotonically decreases until it hits the minimum at the correct cluster number and monotonically increases as the c n increases (see Supplementary File 2 -Fig.1).…”

Section: Bayesian Information Criterionmentioning

confidence: 99%

OLYMPUS: An automated hybrid clustering method in time series gene expression. Case study: Host response after Influenza A (H1N1) infection

Dimitrakopoulou

Vrahatis

Wilk

et al. 2013

Computer Methods and Programs in Biomedicine

View full text Add to dashboard Cite

The increasing flow of short time series microarray experiments for the study of dynamic cellular processes poses the need for efficient clustering tools. These tools must deal with three primary issues: first, to consider the multi-functionality of genes; second, to evaluate the similarity of the relative change of amplitude in the time domain rather than the absolute values; third, to cope with the constraints of conventional clustering algorithms such as the assignment of the appropriate cluster number. To address these, we propose OLYMPUS, a novel unsupervised clustering algorithm that integrates Differential Evolution (DE) method into Fuzzy Short Time Series (FSTS) algorithm with the scope to utilize efficiently the information of population of the first and enhance the performance of the latter. Our hybrid approach provides sets of genes that enable the deciphering of distinct phases in dynamic cellular processes. We proved the efficiency of OLYMPUS on synthetic as well as on experimental data. The discriminative power of OLYMPUS provided clusters, which refined the so far perspective of the dynamics of host response mechanisms to Influenza A (H1N1). Our kinetic model sets a timeline for several pathways and cell populations, implicated to participate in host response; yet no timeline was assigned to them (e.g. cell cycle, homeostasis). Regarding the activity of B cells, our approach revealed that some antibody-related mechanisms remain activated until day 60 post infection. The Matlab codes for implementing OLYMPUS, as well as example datasets, are freely accessible via the Web

show abstract

“…It is worth nothing that at the previous step (nearest neighbor search) we define ffiffiffi n p clusters, so in order to take advantage of previous calculations, the number of representative samples employed in our process is ffiffiffi n p . Since this is considered an upper bound for the number of groups of instances in a dataset [34], it is expected that most groups have a representative among the samples.…”

Section: Sampling and Projectionmentioning

confidence: 99%

LoCH: A neighborhood-based multidimensional projection technique for high-dimensional sparse spaces

et al. 2015

View full text Add to dashboard Cite

On cluster validity for the fuzzy c-means model

Cited by 1,600 publications

References 9 publications

Método Baseado em Combinação de Soluções com Particionamento de Grafos para o Problema de Agrupamento Automático

Método Baseado em Combinação de Soluções com Particionamento de Grafos para o Problema de Agrupamento Automático

OLYMPUS: An automated hybrid clustering method in time series gene expression. Case study: Host response after Influenza A (H1N1) infection

LoCH: A neighborhood-based multidimensional projection technique for high-dimensional sparse spaces

Contact Info

Product

Resources

About