انتخاب مجموعه خوشه های سلسله مراتبی

دسته‌بندی عملکرد گروهی تحت‌تاثیر دو عامل اصلی است: تنوع و کیفیت. انتخاب زیر مجموعه از اعضای گروه موجود بر اساس تنوع و کیفیت اغلب به یک راه حل دقیق تر گروه منجر می شود. با این حال، رابطه مشخصی بین تنوع و کیفیت در انتخاب زیرمجموعه اعضای گروهی وجود ندارد. این مقاله روش انتخاب جامع خوشه‌ای سلسله مراتبی و اندازه‌گیری تنوع را برای کشف چگونگی تاثیر تنوع و کیفیت بر نتایج نهایی پیشنهاد می‌کند. HCES برای انتخاب اعضای گروه بصورت سلسله مراتبی از روشهای خوشه بندی پیوندی تک پیوندی ، متوسط و پیوندی کامل استفاده می کند. یک معیار تنوع دو به دو از متون اخیر و معیار تنوع پیشنهادی برای این الگوریتم های خوشه‌بندی تجمع (الگوریتم agglomerative نوعی الگوریتم خوشه بندی سلسله مراتبی است که در آن هر یک از عناصر جداگانه در خوشه خاص خود قرار می گیرند. این خوشه ها به طور تکراری با هم ادغام می شوند تا اینکه همه عناصر متعلق به یک خوشه باشند. فرض می کند که مجموعه ای از عناصر و فاصله بین آنها به عنوان ورودی داده می شوند.) به کار گرفته شده‌است. استفاده از معیار تنوع پیشنهادی در فضای مشترک منجر به اعضای گروهی متنوع‌تر از

Clustering ensemble performance is affected by two main factors: diversity and quality. Selection of a subset of available ensemble members based on diversity and quality often leads to a more accurate ensemble solution. However, there is not a certain relationship between diversity and quality in selection of subset of ensemble members. This paper proposes the Hierarchical Cluster Ensemble Selection (HCES) method and diversity measure to explore how diversity and quality affect final results. The HCES uses single-link, average-link, and complete link agglomerative clustering methods for the selection of ensemble members hierarchically. A pair-wise diversity measure from the recent literature and the proposed diversity measure are applied to these agglomerative clustering algorithms. Using the proposed diversity measure in HCES leads to more diverse ensemble members than that of pairwise diversity measure. Cluster-based Similarity Partition Algorithm (CSPA) and Hypergraph-Partitioning