[論文レビュー] Farthest-Point Heuristic based Initialization Methods for K-Modes Clustering

Zengyou He|ArXiv.org|Oct 9, 2006

Advanced Clustering Algorithms Research参考文献 12被引用数 24

ひとこと要約

本論文では、k-modesクラスタリングアルゴリズムの初期化手法として、最も遠い点ヒューリスティックに基づく手法を提案し、ランダムな初期重心選択への感受性を低減することでクラスタリング精度を向上させることを目的としている。実験により、複数のデータセットにおいて、本手法はランダム初期化よりも一貫して優れたクラスタリング結果を達成することが示された。

ABSTRACT

The k-modes algorithm has become a popular technique in solving categorical data clustering problems in different application domains. However, the algorithm requires random selection of initial points for the clusters. Different initial points often lead to considerable distinct clustering results. In this paper we present an experimental study on applying a farthest-point heuristic based initialization method to k-modes clustering to improve its performance. Experiments show that new initialization method leads to better clustering accuracy than random selection initialization method for k-modes clustering.

研究の動機と目的

• 初期重心選択への感受性がk-modesクラスタリングの性能に与える影響を軽減し、最適でないクラスタリング結果を回避すること。
• 最も遠い点ヒューリスティックに基づく決定的初期化戦略が、クラスタリング性能を向上させることを調査すること。
• 提案された初期化手法が、カテゴリカルデータのクラスタリング精度を向上させる有効性を評価すること。
• ランダム選択と比較して、より安定的で信頼性の高い初期化手法をk-modesクラスタリングに提供すること。

提案手法

• 最も遠い点ヒューリスティックを用いて、すでに選択された重心から最も離れているデータ点を反復的に選択することで初期クラスタ中心を決定する。
• アルゴリズムは最初に、すべての他の点との距離の合計が最大となるデータ点を最初の中心として選択する。
• 以降の中心は、すでに選択された中心との最小距離を最大にする点として選択される。
• 選択された初期中心は、その後k-modesアルゴリズムの初期化に使用される。
• この手法により、初期クラスタ中心間の多様性が確保され、劣悪な局所最適解への収束の可能性が低減される。

実験結果

リサーチクエスチョン

• RQ1 最も遠い点ヒューリスティックによる初期化手法は、k-modesクラスタリングにおいてランダム初期化と比較して、クラスタリング精度を向上させるか？
• RQ2 提案された初期化手法は、k-modesクラスタリングの安定性および収束性にどのように影響を与えるか？
• RQ3 最も遠い点ヒューリスティックは、k-modesの初期重心選択への依存度を低減できるか？
• RQ4 異なるカテゴリカルデータセットにおいて、本手法の性能向上はどの程度か？

主な発見

• 最も遠い点ヒューリスティックによる初期化手法は、k-modesクラスタリングにおいてランダム初期化と比較して、顕著にクラスタリング精度を向上させた。
• 提案手法は、複数回の実行におけるクラスタリング結果の分散を低減しており、より高い安定性を示している。
• 複数のデータセットにおける実験により、最も遠い点ヒューリスティックによる性能向上が一貫して得られた。
• 本手法は、k-modesクラスタリングにおける劣悪な初期重心選択の悪影響を効果的に軽減した。