An examination of procedures for determining the number of clusters in a data set

ویرایش:  
نویسندگان: Milligan W. Glenn,  Cooper C. Martha.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: [21] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 Mb 

قیمت کتاب (تومان) : 89,000

Psychometrika، ژوئن 1985، جلد 50، شماره 2، صفحات 159-179 ارزیابی مونت کارلو از 30 روش برای تعیین تعداد خوشه ها بر روی داده های مصنوعی انجام شد. مجموعه هایی که شامل 2، 3، 4 یا 5 خوشه متمایز غیر همپوشانی هستند. برای ارائه انواع راه حل های خوشه بندی، مجموعه داده ها با چهار روش خوشه بندی سلسله مراتبی تجزیه و تحلیل شدند. معیارهای معیار خارجی بازیابی عالی ساختار خوشه واقعی را با روش‌ها در سطح سلسله مراتب صحیح نشان داد. بنابراین، خوشه بندی موجود در داده ها بسیار قوی بود. نتایج شبیه‌سازی برای قوانین توقف دامنه وسیعی را در توانایی آنها برای تعیین تعداد صحیح خوشه‌ها در داده‌ها نشان داد. چندین روش نسبتاً خوب کار کردند، در حالی که برخی دیگر نسبتاً ضعیف عمل کردند. بنابراین، به نظر می رسد که گروه دوم از قوانین اعتبار کمی دارند، به ویژه برای مجموعه داده های حاوی خوشه های مجزا. از محققان کاربردی خواسته می شود که یک یا چند مورد از معیارهای بهتر را انتخاب کنند. با این حال، به کاربران هشدار داده می شود که عملکرد برخی از معیارها ممکن است وابسته به داده باشد.

Psychometrika, June 1985, Volume 50, Issue 2, pp. 159-179 A Monte Carlo evaluation of 30 procedures for determining the number of clusters was conducted on artificial data sets which contained either 2, 3, 4, or 5 distinct nonoverlapping clusters. To provide a variety of clustering solutions, the data sets were analyzed by four hierarchical clustering methods. External criterion measures indicated excellent recovery of the true cluster structure by the methods at the correct hierarchy level. Thus, the clustering present in the data was quite strong. The simulation results for the stopping rules revealed a wide range in their ability to determine the correct number of clusters in the data. Several procedures worked fairly well, whereas others performed rather poorly. Thus, the latter group of rules would appear to have little validity, particularly for data sets containing distinct clusters. Applied researchers are urged to select one or more of the better criteria. However, users are cautioned that the performance of some of the criteria may be data dependent.