มีอัลกอริธึมพาร์ทิชันสองประเภทดังต่อไปนี้ -
การจัดกลุ่ม K หมายถึง − K-means clustering เป็นอัลกอริธึมการแบ่งส่วนที่ใช้บ่อยที่สุด K-means จะกำหนดข้อมูลใหม่ในชุดข้อมูลให้กับกลุ่มใหม่ที่สร้างขึ้นเพียงกลุ่มเดียว บันทึกหรือจุดข้อมูลถูกกำหนดให้กับคลัสเตอร์ที่ใกล้ที่สุดโดยใช้การวัดระยะทางหรือความคล้ายคลึงกัน มีขั้นตอนต่อไปนี้ที่ใช้ในการจัดกลุ่ม K-means:
-
สามารถเลือก K คลัสเตอร์เริ่มต้น centroid c1 , c2 , c3 ...... ck .
-
สามารถกำหนดอินสแตนซ์ x แต่ละรายการในคลัสเตอร์ S ที่มีเซนทรอยด์ใกล้กับ x มากที่สุด
-
สำหรับแต่ละคลัสเตอร์ ให้คำนวณเซนทรอยด์ใหม่โดยพิจารณาจากองค์ประกอบที่อยู่ในคลัสเตอร์นั้น
-
ไปที่ (b) จนกว่าคอนเวอร์เจนซ์จะเสร็จสิ้น
-
สามารถแยกวัตถุ (จุดข้อมูล) ออกเป็นคลัสเตอร์ K ได้
-
ใช้สำหรับคลัสเตอร์ center (centroid) =ค่าเฉลี่ยของจุดข้อมูลทั้งหมดในคลัสเตอร์
-
สามารถกำหนดแต่ละจุดให้กับคลัสเตอร์ที่มีเซนทรอยด์อยู่ใกล้ที่สุด (โดยใช้ฟังก์ชันระยะทาง)
ค่าเริ่มต้นสำหรับวิธีการถูกกำหนดโดยพลการ สิ่งเหล่านี้สามารถกำหนดแบบสุ่มหรืออาจใช้ค่าจากรายการอินพุต k รายการแรกด้วยตนเอง องค์ประกอบการบรรจบกันสามารถอ้างอิงจากความคลาดเคลื่อนกำลังสอง แต่ไม่จำเป็นต้องเป็นเช่นนั้น ตัวอย่างเช่น อัลกอริทึมถูกกำหนดให้กับคลัสเตอร์ต่างๆ เทคนิคการเลิกจ้างอื่น ๆ ได้ล็อคจำนวนการวนซ้ำคงที่ สามารถรวมจำนวนครั้งสูงสุดได้เพื่อให้แน่ใจว่าการช็อปปิ้งจะไม่มีการบรรจบกัน
อัลกอริทึม
ป้อนข้อมูล
D = {t1t2 ... tn} // Set of elements
k // Number of desired clusters ผลผลิต
K // Set of clusters
อัลกอริทึม K หมายถึง -
กำหนดค่าเริ่มต้นสำหรับวิธี m1 ม2 ... mk
ซ้ำ
กำหนด ti แต่ละรายการให้กับคลัสเตอร์ที่มีค่าเฉลี่ยใกล้เคียงที่สุด
คำนวณหาค่าเฉลี่ยใหม่สำหรับแต่ละคลัสเตอร์
จนกว่าจะตรงตามเกณฑ์การบรรจบกัน
อัลกอริทึมเพื่อนบ้านที่ใกล้ที่สุด − อัลกอริธึมที่คล้ายกับเทคนิคลิงค์เดียวเรียกว่าอัลกอริธึมเพื่อนบ้านที่ใกล้ที่สุด ด้วยอัลกอริธึมแบบอนุกรมนี้ รายการต่างๆ จะถูกรวมซ้ำในคลัสเตอร์ปัจจุบันที่อยู่ใกล้ที่สุด ในอัลกอริทึมนี้ เกณฑ์ t สามารถระบุได้ว่ารายการจะถูกแทรกลงในคลัสเตอร์ที่มีอยู่หรือจะสร้างคลัสเตอร์ใหม่
อัลกอริทึม
ป้อนข้อมูล
D = {t1t2 ... tn} // Set of elements
A // Adjacency matrix showing distance between elements ผลผลิต
K // Set of clusters
Nearest neighbour algorithm
K1 = {t1};
K = {K1};
k = 1;
for i = 2 to n do
find the tm in some cluster Km in K such that dis {ti, tm} is the smallest;
If dis {ti, tm} $\leqslant$ t then
Km = Km $\cup$ ti
else
k = k + 1;
Kk = {ti} 