Agrupamento baseado em núcleo Mercer no espaço de características

O artigo apresenta um método para a partição não supervisionada de uma amostra de dados e a estimativa do possível número de clusters inerentes que geram os dados. Este trabalho explora a noção de que realizar uma transformação não linear de dados em algum espaço de características de alta dimensão aumenta a probabilidade de separabilidade linear dos padrões dentro do espaço transformado e, portanto, simplifica a estrutura de dados associada. Mostra-se que os autovetores de uma matriz de núcleo que define o mapeamento implícito fornecem um meio para estimar o número de clusters inerentes aos dados, e um procedimento iterativo computacionalmente simples é apresentado para a subsequente partição do espaço de características dos dados.