Une étude comparative des algorithmes de clustering K-Means, K-Means++ et Fuzzy C-Means

Le clustering est essentiellement une procédure de regroupement d'un ensemble d'objets de manière à ce que les éléments au sein des mêmes clusters soient plus semblables les uns aux autres par rapport à ceux des points de données ou objets dans différentes amasses ou clusters. Cet article discute des techniques de clustering basées sur la partition, telles que K-Means, K-Means++ et l'algorithme de clustering Fuzzy C-Means basé sur des objets. Cet article propose une méthode pour obtenir de meilleurs résultats de clustering par l'application de données triées et non triées dans les algorithmes. Le temps écoulé et le nombre total d'itérations sont les facteurs sur lesquels les schémas de comportement sont analysés. Les résultats expérimentaux montrent que le passage des données triées plutôt que des données non triées affecte non seulement la complexité temporelle mais améliore également la performance de ces techniques de clustering.