[論文レビュー] Normalization based K means Clustering Algorithm

Deepali Virmani, Shweta Taneja+1 more|arXiv (Cornell University)|Mar 3, 2015

Data Mining Algorithms and Applications参考文献 10被引用数 23

ひとこと要約

本稿では、クラスタリングの前処理としてデータ正規化を適用し、初期重心を重み付き値で計算することで、従来のK-meansを改善する正規化ベースのK-means（N-K-means）クラスタリングアルゴリズムを提案する。この手法は計算複雑性を低減し、クラスタリング性能を向上させる。実験結果により、標準K-meansと比較して優れた正確性と効率性が確認された。

ABSTRACT

K-means is an effective clustering technique used to separate similar data into groups based on initial centroids of clusters. In this paper, Normalization based K-means clustering algorithm(N-K means) is proposed. Proposed N-K means clustering algorithm applies normalization prior to clustering on the available data as well as the proposed approach calculates initial centroids based on weights. Experimental results prove the betterment of proposed N-K means clustering algorithm over existing K-means clustering algorithm in terms of complexity and overall performance.

研究の動機と目的

• 標準K-meansの特徴量スケールや初期重心選択に対する感受性を軽減すること。
• データ正規化と重み付き重心初期化を組み合わせることでクラスタリング性能を向上させること。
• K-meansクラスタリングプロセスにおける計算複雑性を低減すること。
• 前処理と最適化された初期化を通じて収束性とクラスタリング結果の正確性を向上させること。

提案手法

• 特徴量間のスケール差を軽減するため、クラスタリングの前処理として入力データに正規化を適用する。
• データ分布と特徴量の重要度に基づいて、重み付きアプローチで初期クラスタ重心を計算する。
• 反復的割り当てと更新ステップにおいて、正規化済みデータと重み付き重心を組み込んだ標準K-meansアルゴリズムを変更する。
• 正規化された特徴量を用いた距離に基づく割り当てルールを採用してクラスタ所属を計算する。
• 収束するまで、正規化済みデータポイントを用いて重心を反復的に更新する。
• 正規化と重み付き初期化をK-meansのコアフレームワークに統合し、安定性と性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 データ正規化はK-meansアルゴリズムの性能と収束性にどのように影響するか？
• RQ2 ランダムまたは一様初期化と比較して、重み付き重心初期化はクラスタリング正確性を向上させることができるか？
• RQ3 正規化と重み付き初期化を組み合わせることで、K-meansクラスタリングにおける計算複雑性を低減できるか？
• RQ4 提案されたN-K-meansアルゴリズムは、標準K-meansと比較して、クラスタリング品質と効率性においてどのように異なるか？

主な発見

• 提案されたN-K-meansアルゴリズムは、改善された初期化とデータ正規化のおかげで、標準K-meansよりも優れたクラスタリング性能を達成した。
• 正規化により、特徴量スケールの差の影響が軽減され、より安定的かつ正確なクラスタ割り当てが実現した。
• 重み付き重心計算により、収束速度と最終的なクラスタ品質が向上した。
• 実験結果から、計算複雑性が低減され、全体的な効率性が向上したことが示された。
• テストされたデータセット全体にわたり、クラスタリング正確性の一貫した向上が確認された。