Dasguptas hedefi - Dasguptas objective - Wikipedia

Çalışmasında hiyerarşik kümeleme, Dasgupta'nın amacı bir kümelenmenin kalitesinin bir ölçüsüdür, bir benzerlik ölçüsü kümelenecek öğeler üzerinde. Adını 2016 yılında formüle eden Sanjoy Dasgupta'dan almıştır.^[1] Anahtar özelliği, benzerlik bir ultrametrik uzay Bu kalite ölçüsü için optimal kümeleme, ultrametrik uzayın temel yapısını takip eder. Bu anlamda, bu amaç için iyi kümelenmeler üreten kümeleme yöntemlerinin, Zemin gerçeği verilen benzerlik ölçüsünün altında yatan neden.^[2]

Dasgupta'nın formülasyonunda, elementler arasındaki benzerlik bir yönsüz grafik ${ displaystyle G = (V, E)}$, kenarlarında negatif olmayan gerçek ağırlıklarla. Büyük ağırlıklar, birbirine daha çok benzemesi gereken öğeleri belirtirken, küçük ağırlıklar veya eksik kenarlar, benzer olmayan öğe çiftlerini gösterir. kümelenecek; kümeler daha sonra her bir ağaç düğümünden inen öğelerin konularıdır ve boyut ${ displaystyle | C |}$ herhangi bir kümenin ${ displaystyle C}$ onun eleman sayısıdır. Her kenar için ${ displaystyle uv}$ giriş grafiğinin ${ displaystyle w (uv)}$ kenarın ağırlığını gösterir ${ displaystyle uv}$ ve izin ver ${ displaystyle C (uv)}$ her ikisini de içeren belirli bir kümelenmenin en küçük kümesini gösterir ${ displaystyle u}$ ve ${ displaystyle v}$. Daha sonra Dasgupta, bir kümelenmenin maliyetini^[1]

${ displaystyle toplamı _ {uv E içinde} w (uv) cdot | C (uv) |.}$

Bu hedef için en uygun kümeleme NP-zor bulmak. Ancak, hedefin minimum değerine yaklaşan bir kümelenme bulmak mümkündür. polinom zamanı bölücü (yukarıdan aşağıya) bir kümeleme algoritması ile öğeleri tekrar tekrar alt bölümlere ayıran yaklaşım algoritması için en seyrek kesim problemi, kesme kenarlarının toplam ağırlığının toplam kesme çifti sayısına oranını en aza indiren bir bölme bulma sorunu.^[1]Benzer bir şekilde, yaklaşıklık amacıyla, kesim kenarlarının toplam ağırlığının kesimin küçük tarafındaki elemanların sayısına oranı en aza indirilebilir. En seyrek kesim problemi için en iyi bilinen yaklaşımı kullanarak, yaklaşım oranı bu yaklaşımın ${ displaystyle O ({ sqrt { log n}})}$.^[3]

Referanslar