[论文解读] A Comparative Agglomerative Hierarchical Clustering Method to Cluster Implemented Course

Rahmat Widia Sembiring, Jasni Mohamad Zain+1 more|arXiv (Cornell University)|Jan 22, 2011

Recommender Systems and Techniques参考文献 23被引用 24

一句话总结

本文提出了一项比较研究，采用单链和全链聚合层次聚类方法对高等教育中的实施课程进行分组。使用 MATLAB 和 HCE 3.5，研究显示不同的链接标准会产生不同数量的聚类，突显了在工业培训评估的课程聚类应用中，聚类形成对链接选择的敏感性。

ABSTRACT

There are many clustering methods, such as hierarchical clustering method. Most of the approaches to the clustering of variables encountered in the literature are of hierarchical type. The great majority of hierarchical approaches to the clustering of variables are of agglomerative nature. The agglomerative hierarchical approach to clustering starts with each observation as its own cluster and then continually groups the observations into increasingly larger groups. Higher Learning Institution (HLI) provides training to introduce final-year students to the real working environment. In this research will use Euclidean single linkage and complete linkage. MATLAB and HCE 3.5 software will used to train data and cluster course implemented during industrial training. This study indicates that different method will create a different number of clusters.

研究动机与目标

• 评估聚合层次聚类在对工业培训中实施课程进行分组方面的有效性。
• 比较单链和全链方法在形成实施课程聚类方面的性能。
• 确定链接标准如何影响最终聚类的数量和结构。
• 使用真实工业培训课程数据对高等教育机构应用聚类技术。
• 为学术和工业培训评估中的课程聚类提供方法论基础。

提出的方法

• 从每个课程作为独立聚类开始，采用聚合层次聚类方法。
• 应用两种链接标准：单链（聚类间最小距离）和全链（聚类间最大距离）。
• 使用欧几里得距离作为课程数据点之间的相似性度量。
• 使用 MATLAB 和 HCE 3.5 软件进行数据处理和可视化，实现聚类过程。
• 通过分析生成的树状图和聚类结构，比较两种方法。
• 通过视觉检查和不同链接类型下的聚类数量对比验证结果。

实验结果

研究问题

• RQ1 单链和全链方法在对实施课程聚类时产生的聚类数量有何不同？
• RQ2 在工业培训课程数据背景下，哪种链接方法能产生更一致或更有意义的聚类？
• RQ3 链接标准的选择如何影响课程聚类的层次结构？
• RQ4 在相同数据集上使用不同的聚合层次聚类策略时，聚类结果在多大程度上会有所不同？
• RQ5 聚类能否有效根据课程属性对实施课程进行分组，以支持教育评估？

主要发现

• 将单链和全链两种聚类方法应用于同一课程数据集时，会产生不同数量的聚类。
• 研究证实，链接标准在聚合层次聚类中显著影响聚类的形成和结构。
• 单链倾向于形成细长的链状聚类，而全链则产生更紧凑、彼此分离的聚类。
• 结果表明，方法选择直接影响聚类结果在教育背景下的可解释性和实用性。
• 两种方法均成功地对实施课程进行了分组，但链接选择会影响最终聚类的粒度和一致性。
• 使用 MATLAB 和 HCE 3.5 有效实现了数据处理和聚类层次结构的可视化，支持了对比分析。