انجمن کامپیوتر ایران

هنگامی­که ساختار داده­ها غیر خطی باشد روش­های کلاسیک خوشه­بندی با شکست روبه­رو می­شوند، در این حالت خوشه­بندی طیفی روشی قدرتمند برای دسته­بندی داده­ها محسوب می­شود. این تکنیک با تبدیل فضای ورودی، فضای جدیدی با قابلیت توصیف مناسب­تر از داده­ها را در اختیار ما قرار می دهد. با این حال، همه ویژگی­های این فضای جدید برای خوشه­بندی مفید نمی‌باشند . بنابراین روش­های انتخاب ویژگی مورد توجه قرار می­گیرند. در این مقاله، الگوریتمی برای خوشه­بندی طیفی مبتنی بر ویژگی­های استخراج شده از Kernel PCA ارائه می­دهیم که ویژگی­های مناسب با توجه به توانایی آنها در توصیف خوشه­های موجود در داده­ها بر اساس آنتروپی انتخاب و وزن­دهی می­شوند. نتایج آزمایشها بیانگر موفقیت این روش می باشد