خوشه بندی MCL یا مارکوف کلاسترینگ

این محصول به همراه آموزش کامل حضوری یا غیر حضوری آن و در صورت نیاز شما آموزش مکتوب آن را می توانید سفارش دهید. به منظور دریافت پیاده سازی و آموزش کامل خوشه بندی با مارکوف به من از طریق آی دی تلگرامم Research_moghimi@ پیام بدید یا به ایمیلم resrearch.moghimi@gmail.com ایمیل کنید

در این نوع خوشه بندی ما زنجیره ای از استپ ها رو داریم که اینها رو مجبوریم به صورت گراف نشون بدیم. وقتی از مارکوف حرف می زنیم از مجموعه ای از احتمالات ماتریسی صحبت می کنیم که یکسری خواص به همراه خودش داره. این خواص هست که باعث شده که اون ماتریس قابلیت استفاده از مارکوف رو داشته باشه .
ولی برای پیاده سازی اون نیازی به گراف نداریم. بلکه باید ماترس اون رو داشته باشید تا از روی اون روابط بین هر استپ رو داشته باشید. به این ماتریس یک ماتریس همبستگی یا Association matrix می گن. به طور کلی MCL یا markov clustering یک روش مبتنی بر گراف هست. در حالت کلی باید به کمک الگوریتم Random Walk که اینجا وقت برای توضیح در موردش نیست شروع به حرکت از یک نقطه تصادفی از گراف کنید و به کمک دو عملگر تورم یا inflation و گسترش که هر کدوم با یکسری از فرمول ها روی گراف ایجاد تغییر می کنن ادامه پیدا می کنه.
دقت کنید که تورم به کمک یکسری از فرمول ها کل ماتریس شما رو به صورتی نرمال می کنه که اون نود های ماتریسی که در مجاورت هم هستن طوری نرمال بشن که برای الگوریتم رندم والک ما به راحتی بهترین و دقیقترین خروجی رو حاصل کنن. به همین صورت عملگر Expansion یا گسترش هست که این عملگر باعث می شه ماتریس ما به اصطلاح عامیانه پف کنه یا به اصطلاح علمی رشد کنه و این هم باز کار ما رو برای راه رفتن روی ماتریس ساده می کنه
در حالت کلی شیوه کار الگوریتم مارکوف به این صورت هست که در ابتدا از روی آبجکت هایی که بر روی صفحه داریم شروع به ساخت ماتریس همبستگی می کنیم و از روی اون ماتریس وزن دار رو می سازیم و از روی ماتریس وزن دار باید ماتریس مارکوفی رو بسازیم که اون خواصی که گفتم داره مثلا ارگودیکه و طولانی ترین مسیر را که این هم البته یکسری فرمول داره برای استخراجش می کنیم. سپس باید روی این ماتریس اون عملگر ها رو اعمال کنیم و هی راه بریم و اعمال کنیم تا به حالتی برسیم که دیگه تغییری توی ماتریس نبینیم. توی این مرحله ممکنه برخی از نود های ماتریس خالی بشن
در انتها باید بگم خوشه بندی با مارکوف توسط خیلیها بهینه شده ولی همشون در کل یک مفهوم یکسان رو با درجه سرعت و بهینگی متفاوت ارائه می کنن
به منظور دریافت پیاده سازی و آموزش کامل خوشه بندی با مارکوف به من از طریق آی دی تلگرامم Research_moghimi@ پیام بدید یا به ایمیلم resrearch.moghimi@gmail.com ایمیل کنید

 

خوشه بندی مارکوف؛ مارکوف کلاسترینگ؛ MCL؛ Markov Clustering؛ MCL Algorithm

نظر دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پاسخ من را به ایمیلم ارسال کن