Trīs veidu k-vidējo klasterizācijas algoritmu teorētiskais pamatojums

Abstract

Bakalaura darba mērķis ir izpētīt K-vidējo klasterizāciju metodes. Darbs ir balstīts uz trīs metodēm, tas ir: klasiskā K-vidējo klasterizācija, nestriktā C-vidējo klasterizācija, un C-vidējo klasterizācija nestriktas ekvivalences gadījumā, kas ir C-vidējo speciālgadījums. Apskatītājām metodēm tiek aprakstītas tas darbošanās algoritmi, kā arī tiek sniegts ieskats nestrikto attiecību teorijā. K-vidējo un C-vidējo algoritmi tiek programmēti Python valodā un tiek uztaisītas simulācijas algoritmu iterāciju skaita salīdzināšanai.

The purpose of this bachelor thesis is to investigate K-means clustering methods. The work is based on three methods: classical K-means clustering, fuzzy С-means clustering, and C-means clustering under fuzzy equivalences, which is a special case of the fuzzy C-means clustering. The algorithms of the considered methods are described theoretically and the work provides also an introduction to the theory of fuzzy relations. The K-means and C-means algorithms are programmed in Python and simulations are made to compare the number of iterations made by the algorithms.