Nestriktās ekvivalences nestriktās klasterizācijas algoritmā

Abstract

Maģistra darba mērķis ir iepazīstināt lasītāju ar izstrādātu, ERAF projekta ietvaros, klasterizācijas metodi FERC, un parādīt tās priekšrocības salīdzinājumā ar nestrikto C-means. Projekta rezultāti tiks publicēti žurnālā Springer. FERC metodē, mēs ieviešam nestrīktās ekvivalences attiecības dažādiem objekta atribūtiem, un tad mēs agregējam šīs nestriktās ekvivalences attiecības vienā, lai noteiktu objekta piederības pakāpi kādam klasterim. Darbā tiek parādīts, ka klasterizācijas procesā, katram objekta atribūtam var uzdot tā nozīmīgumu, ieviešot atribūtu svarus. Līdz šim klasterizācijas procesā, atribūtu svari netika izmantoti. Kā arī darbā tiek parādīti ilustratīvi piemēri.

The aim of the master work is to introduce reader with clustering method FERC, which has been supported by European Regional Development Fund, and show it's advantages in comparison of fuzzy C-means. The paper of this topic is accepted for publication in the CCIS series, by Springer. In FERC method, we introduce fuzzy equivalence relations for different attributes of objects and then we aggregate these fuzzy equivalence relations in one, to determine the level of belongingness of object to some cluster. In work also is shown that in clustering process, for each object's attribute, we can assign attribute significance, by introducing attribute weights. Until now, attribute weights have not been used in the clustering process. In the work also present illustrative examples.