ترجمه فارسی مقاله بررسی شاخص‌های اعتبارسنجی خوشه‌بندی از ابتدا تا انتها

چکیده

Data clustering involves identifying latent similarities within a dataset and organizing them into clusters or groups. The outcomes of various clustering algorithms differ as they are susceptible to the intrinsic characteristics of the original dataset, including noise and dimensionality. The effectiveness of such clustering procedures directly impacts the homogeneity of clusters, underscoring the significance of evaluating algorithmic outcomes. Consequently, the assessment of clustering quality presents a significant and complex endeavor. A pivotal aspect affecting clustering validation is the cluster validity metric, which aids in determining the optimal number of clusters. The main goal of this study is to comprehensively review and explain the mathematical operation of internal and external cluster validity indices, but not all, to categorize these indices and to brainstorm suggestions for future advancement of clustering validation research. In addition, we review and evaluate the performance of internal and external clustering validation indices on the most common clustering algorithms, such as the evolutionary clustering algorithm star (ECA*). Finally, we suggest a classification framework for examining the functionality of both internal and external clustering validation measures regarding their ideal values, user-friendliness, responsiveness to input data, and appropriateness across various fields. This classification aids researchers in selecting the appropriate clustering validation measure to suit their specific requirements.

چکیده به فارسی (ترجمه ماشینی)

خوشه بندی داده ها شامل شناسایی شباهت های نهفته در یک مجموعه داده و سازماندهی آنها در خوشه ها یا گروه ها است.نتایج الگوریتم های مختلف خوشه بندی متفاوت است زیرا آنها مستعد ویژگی های ذاتی مجموعه داده های اصلی از جمله نویز و ابعاد هستند.اثربخشی چنین روشهای خوشه بندی به طور مستقیم بر همگن خوشه ها تأثیر می گذارد و بر اهمیت ارزیابی نتایج الگوریتمی تأکید می کند.در نتیجه ، ارزیابی کیفیت خوشه بندی یک تلاش مهم و پیچیده را نشان می دهد.یک جنبه مهم که بر اعتبار سنجی خوشه بندی تأثیر می گذارد ، متریک اعتبار خوشه ای است که در تعیین تعداد بهینه خوشه ها کمک می کند.هدف اصلی این مطالعه بررسی جامع و توضیح عملکرد ریاضی شاخص های اعتبار خوشه ای داخلی و خارجی ، اما نه همه ، طبقه بندی این شاخص ها و پیشنهادات طوفان مغزی برای پیشرفت آینده تحقیقات اعتبار سنجی خوشه بندی است.علاوه بر این ، ما عملکرد شاخص های اعتبار سنجی خوشه بندی داخلی و خارجی را بر روی رایج ترین الگوریتم های خوشه بندی ، مانند ستاره الگوریتم خوشه بندی تکاملی (ECA*) بررسی و ارزیابی می کنیم.سرانجام ، ما یک چارچوب طبقه بندی را برای بررسی عملکرد هر دو اقدامات اعتبار سنجی داخلی و خارجی در مورد مقادیر ایده آل ، کاربرپسندی ، پاسخگویی به داده های ورودی و مناسب بودن در زمینه های مختلف پیشنهاد می کنیم.این طبقه بندی به محققان در انتخاب اندازه گیری اعتبار سنجی خوشه بندی مناسب متناسب با نیازهای خاص آنها کمک می کند.