تعزيز تجميع K-Means من خلال التهيئة المعتمدة على البيانات وقياسات المسافة التكيفية

تجميع K-means هو خوارزمية تعلم غير خاضعة للإشراف تُستخدم على نطاق واسع لتقسيم البيانات إلى مجموعات متميزة. ومع ذلك، فإن أداء K-means يعتمد بشكل كبير على مواقع مراكز التجمع الأولية وقياس المسافة المستخدم. تقترح هذه الورقة نهجًا جديدًا لتعزيز فعالية تجميع K-means من خلال دمج تهيئة مراكز التجمع المعتمدة على البيانات وقياسات المسافة التكيفية. تستخدم الطريقة المقترحة تقنية قائمة على الكثافة لتحديد مراكز التجمع المحتملة من البيانات، مما يوفر تهيئة أكثر إبلاغًا مقارنةً بالنهج العشوائي أو القائم على القواعد. بالإضافة إلى ذلك، يقوم الخوارزمية بضبط قياس المسافة ديناميكيًا استنادًا إلى توزيع البيانات المحلي، مما يسمح بتخصيص مجموعات أكثر دقة، خاصة في وجود مجموعات غير كروية أو ذات شكل غير منتظم. تُظهر التجارب الواسعة على مجموعات بيانات حقيقية متعددة تفوق الطريقة المقترحة على K-means التقليدي وغيره من خوارزميات التجميع الحديثة من حيث دقة التجميع والثبات.