3-kcp çözüm bulmak için denetimsiz öğrenme algoritması: modülerlik, klik süzme, spektral, merkeziyet ve hiyerarşik kümeleme

Abstract

Denetimsiz öğrenme algoritmaları, bilgiyi minimum insan etkileşimi ile çıkardıkları için birçok mühendislik uygulamasında kullanılırlar. Modülerlik verileri sınıflandırmak için iyi bilinen denetimsiz öğrenme algoritmalarından biridir, böylece ilişkisel bilgiler vurgulanır. Yakın ilişkili veri noktaları, nispeten yoğun alt topluluklar oluşturmak için bir araya gelir. Böylece, veri noktaları (yada düğümler) arasındaki anlamlı ilişkiler, veri noktalarının ortak özelliklerine genişletilebilir. Bu çalışmada, modülerlik sınıflandırması ile doğası gereği kombinatorik bir problem olan 3-KCP'yi çözmeyi amaçlıyoruz. Bununla birlikte sonuçlarımızı iyi bilinen kümeleme algoritmaları Klik Süzme, Spektral, Merkeziyet ve Hiyerarşik kümeleme ile karşılaştırdık. Araştırmamız, 0.1'den 2.1'e genişletilmiş çözünürlükleri içerir ve 1.0, tüm 3-KCP çözümlerini bulmak için en uygun çözünürlük olduğunu gösteriyor. Modülerliğin belirtilen kümeleme algoritmalarıyla karşılaştırılmamız modülerlik algoritmasının diğer metotlara göre daha avantajlı olduğu gösterdi çünkü karşılaştırılan algoritma, N-KCP anlamında yanlış kümeler veya modülerlikle tanımlanan kümeler olarak sonuçlandı.

Unsupervised learning algorithms are used in many engineering applications since they extract information by the minimum human interaction. Modularity is one of the well known unsupervised machine learning algorithms to classify the network of information, so the relational information is highlighted. The closely related data points gather together to create relatively dense subcommunities. Thus, the meaningful relationships between data points (a.k.a. nodes or vertices) could be extended to the common properties of the data points. In this study, we aim to solve 3-KCP which is inherently a combinatorics problem by the modularity classification. Additionally, we compared the result with the well-known clustering algorithms, namely Clique Percolation, Spectral, Centrality, and Hierarchical clustering. Our investigation by means of modularity includes extended resolutions from 0.1 to 2.1, and 1.0 is the optimum resolution to find all 3-KCP solutions for the Modularity algorithm. Comparison of the modularity with the specified clustering algorithms shows the superiority of the modularity algorithm because compared algorithm provides wrong clusters by means of N-KCP or identified clusters by modularity.