[論文レビュー] An Effective Evolutionary Clustering Algorithm: Hepatitis C Case Study

M. H. Marghny, Rasha M. Abd El-Aziz+1 more|arXiv (Cornell University)|Feb 27, 2014

Advanced Clustering Algorithms Research参考文献 27被引用数 13

ひとこと要約

本稿では、K-meansの初期クラスタ中心を最適化するために遺伝的アルゴリズム（GAs）を用いる進化的クラスタリング手法を提案する。この手法は大規模かつノイズの多いデータに対して性能を向上させる。ヘパチティスCデータセットに適用した結果、初期条件への感受性が低減され、局所平均補完を用いて欠損値を処理し、標準的なK-meansと比較してより安定的かつ正確なクラスタリング結果が得られた。

ABSTRACT

Clustering analysis plays an important role in scientific research and commercial application. K-means algorithm is a widely used partition method in clustering. However, it is known that the K-means algorithm may get stuck at suboptimal solutions, depending on the choice of the initial cluster centers. In this article, we propose a technique to handle large scale data, which can select initial clustering center purposefully using Genetic algorithms (GAs), reduce the sensitivity to isolated point, avoid dissevering big cluster, and overcome deflexion of data in some degree that caused by the disproportion in data partitioning owing to adoption of multi-sampling. We applied our method to some public datasets these show the advantages of the proposed approach for example Hepatitis C dataset that has been taken from the machine learning warehouse of University of California. Our aim is to evaluate hepatitis dataset. In order to evaluate this dataset we did some preprocessing operation, the reason to preprocessing is to summarize the data in the best and suitable way for our algorithm. Missing values of the instances are adjusted using local mean method.

研究の動機と目的

• 初期クラスタ中心の選択に敏感なK-meansクラスタリングの問題を解決すること。これはしばしば局所最適解に収束する原因となる。
• 孤立したデータポイントの影響を軽減し、クラスタリング中に大規模クラスタの破壊を防ぐこと。
• クラスタリングワークフローにおけるマルチサンプリングが引き起こすデータ分布バイアスを軽減すること。
• 特にUCI機械学習レポジトリのヘパチティスCデータセットを含む、実世界のバイオメディカルデータセットにおけるクラスタリング性能を向上させること。
• 初期重心の進化的最適化を通じて、クラスタリング結果の頑健性と安定性を向上させること。

提案手法

• K-meansのランダム初期化を置き換えるために、最適な初期クラスタ中心を探索する遺伝的アルゴリズム（GAs）を採用する。
• GA最適化中におけるクラスタ品質の評価に、クラス内平方和（WCSS）に基づくフィットネス関数を用いる。
• ヘパチティスCデータセットの欠損値処理に局所平均補完を適用し、クラスタリング前のデータ完全性を確保する。
• クラスタリングの安定性を評価し、不均一なデータ分割によるバイアスを低減するためにマルチサンプリング技術を統合する。
• GA最適化初期化と標準的なK-means反復処理を組み合わせ、クラスタ割り当てを精緻化する。
• GAが重心位置を進化させ、WCSSを最小化するハイブリッドアプローチを採用し、より良い局所最適解への収束を促進する。

実験結果

リサーチクエスチョン

• RQ1 遺伝的アルゴリズム（GA）に基づく初期化は、大規模バイオメディカルデータセットにおけるK-meansクラスタリングの品質を顕著に向上させることができるか？
• RQ2 標準的なK-meansと比較して、提案手法は初期クラスタ中心の選択に対する感受性をどの程度低減するか？
• RQ3 ノイズや孤立したデータポイントが存在する状況でも、大規模クラスタの保持と破壊の回避に、この手法はどの程度効果的か？
• RQ4 マルチサンプリングとGA初期化を組み合わせることで、不均一なデータ分割に起因するクラスタリング結果のバイアスは低減されるか？
• RQ5 提案手法は、ベースラインのK-meansと比較して、ヘパチティスCデータセットにおいてより高いクラスタリング精度と安定性を達成できるか？

主な発見

• 提案されたGA初期化K-means手法は、ヘパチティスCデータセットにおいて、標準的なK-meansと比較してより安定的かつ正確なクラスタリング結果を達成した。
• アルゴリズムは初期クラスタ中心の選択に対する感受性が低く、劣悪な局所最適解への収束を最小限に抑えた。
• 局所平均補完は、ヘパチティスCデータセットの欠損値処理において効果的であり、クラスタリングに適したデータ品質を向上させた。
• GAベース初期化とマルチサンプリングを組み合わせることで、不均一なデータ分割に起因するバイアスが低減され、結果の一貫性が向上した。
• 孤立したデータポイントが原因で生じるクラスタの破壊を最小限に抑え、大規模クラスタの保持に優れた頑健性を示した。
• WCSSと複数回の実行における安定性を指標に測定したところ、ハイブリッドGA-K-meansアプローチは、従来のK-meansを上回るクラスタリング品質を示した。