In a way, we can look at recursive

In a way, we can look at recursive clustering as a situation where a child learns to distinguish between two sets of photographs, one taken in the jungle and another in the desert. There are also photographs in the set which show different degrees of the jungle/desert combination. One would want to cluster them according to the percentage to jungle in them. However, instead of distinguishing the photos all at once, it makes more sense to first distinguish between the all forest and all desert photos. The next level would be to distinguish between the forest-predominant and desert-predominant photos. The forest-predominant photos will then be associated with the forest photos and the desert-predominant ones with the desert photos and so on. The approach, unlike ensemble clustering, does not need to execute several clustering algorithms and find consensus between them, as grouping is done between 2 subsets of data at one time. This is expected to save the training time.
Also, we hypothesize that only two clustering algorithms (one global and one local in nature) are needed, as opposed to the multitude of algorithms required by the ensemble methods.
A formal definition of the problem of recursive clustering and combination of patterns is given in section 2. Section 3 presents the Recursive Unsupervised learning algorithm. Experimental results in section 4 with both synthetic and real data illustrate the robustness of the proposed method as opposed to individual clusterings produced by well known algorithms and compared to the ensemble clustering methods.
II. PROBLEM FORMULATION
Let X = {x1 , x2 ,...xn } be a representation of n patterns. xi may be defined, for instance, over some d dimensional
feature space, d
x i % R . A clustering algorithm takes X as input and organizes the n patterns into k clusters, according to some similarity measure between patterns, forming a data partition P. Different clustering algorithms will, in general, produce different partitions for the same dataset. Different clustering results can also be produced by the same clustering algorithm by using different algorithmic parameter values or different initializations.
Consider X being split into subsets using N recursions of clustering algorithms and let P represent the ensemble of N subsets. P is therefore called a clustering ensemble

Hasil (Bahasa Indonesia) 1:

Dengan cara, kita dapat melihat rekursif pengelompokan sebagai situasi di mana seorang anak belajar untuk membedakan antara dua set foto-foto yang diambil di hutan dan satu lagi di padang gurun. Ada juga foto-foto di set yang menunjukkan derajat yang berbeda kombinasi hutan/gurun. Satu ingin cluster mereka sesuai dengan persentase ke hutan di dalamnya. Namun, alih-alih membedakan foto sekaligus, lebih masuk akal untuk pertama membedakan antara semua hutan dan semua foto gurun. Tingkat berikutnya akan untuk membedakan antara foto-foto hutan-dominan dan gurun-dominan. Foto-foto hutan-dominan kemudian akan dikaitkan dengan foto-foto hutan dan yang dominan gurun dengan foto-foto gurun dan seterusnya. Pendekatan, tidak seperti pengelompokan ansambel, tidak perlu untuk mengeksekusi beberapa clustering algoritma dan menemukan konsensus di antara mereka, seperti pengelompokan yang dilakukan antara 2 subset data pada satu waktu. Hal ini diharapkan untuk menyimpan waktu pelatihan.Juga, kita berhipotesis bahwa hanya dua clustering algoritma (satu global dan satu lokal di alam) yang diperlukan, sebagai lawan dari kumpulan algoritma yang diperlukan oleh metode ansambel.Definisi resmi dari masalah rekursif pengelompokan dan kombinasi pola diberikan dalam bagian 2. Bagian 3 menyajikan rekursif tanpa pengawasan belajar algoritma. Hasil penelitian di bagian 4 dengan data sintetis dan nyata menggambarkan kekokohan metoda yang diusulkan sebagai lawan individu clusterings diproduksi oleh algoritma dikenal dan dibandingkan dengan metode clustering ansambel.II. MASALAH FORMULASIBiarkan X = {x 1, x 2,.. .xn} menjadi representasi n pola. Xi dapat ditetapkan, misalnya, selama beberapa d dimensi fitur ruang, dx saya % R. Algoritma clustering yang mengambil X sebagai masukan dan mengatur pola n ke k cluster, menurut beberapa ukuran kesamaan antara pola, membentuk sebuah partisi data yang berbeda P. clustering algoritma akan, secara umum, menghasilkan partisi yang berbeda untuk dataset sama. Hasil clustering yang berbeda dapat juga diproduksi oleh clustering algoritma sama dengan menggunakan nilai parameter algoritma yang berbeda atau initializations yang berbeda.Pertimbangkan X sedang dibagi menjadi subset menggunakan N recursions clustering algoritma dan biarkan P mewakili ansambel dari subset N. P disebut ansambel clustering

Hasil (Bahasa Indonesia) 2:

Di satu sisi, kita dapat melihat pengelompokan rekursif sebagai situasi di mana seorang anak belajar untuk membedakan antara dua set foto, yang diambil di hutan dan lain di padang pasir. Ada juga foto-foto di set yang menunjukkan derajat yang berbeda dari kombinasi hutan / padang pasir. Satu akan ingin mengelompokkan mereka sesuai dengan persentase ke hutan di dalamnya. Namun, bukan membedakan foto sekaligus, akan lebih masuk akal untuk pertama membedakan antara semua hutan dan semua foto gurun. Tingkat berikutnya akan membedakan antara hutan-dominan dan foto gurun-dominan. Foto-foto hutan dominan kemudian akan dikaitkan dengan foto-foto hutan dan padang pasir yang-dominan dengan foto-foto gurun dan sebagainya. Pendekatan, tidak seperti pengelompokan ensemble, tidak perlu menjalankan beberapa algoritma clustering dan menemukan konsensus di antara mereka, seperti pengelompokan dilakukan antara 2 subset data pada satu waktu. Ini diharapkan dapat menghemat waktu pelatihan.
Selain itu, kami berhipotesis bahwa hanya dua algoritma pengelompokan (satu global dan satu lokal di alam) yang diperlukan, yang bertentangan dengan banyak algoritma yang dibutuhkan oleh metode ensemble.
Definisi formal dari masalah pengelompokan rekursif dan kombinasi pola diberikan di bagian 2. Bagian 3 menyajikan algoritma belajar Recursive Unsupervised. Hasil eksperimen di bagian 4 dengan data baik sintetis dan nyata menggambarkan kekokohan metode yang diusulkan sebagai lawan clusterings individu yang dihasilkan oleh algoritma terkenal dan dibandingkan dengan metode pengelompokan ensemble.
II. MASALAH FORMULASI
Let X = {x1, x2, ... xn} menjadi representasi dari pola n. xi dapat didefinisikan, misalnya, lebih dari beberapa d dimensi
ruang fitur, d
xi% R. Sebuah algoritma clustering mengambil X sebagai masukan dan mengatur pola n ke dalam k cluster, menurut beberapa kesamaan ukuran antara pola, membentuk partisi data P. algoritma pengelompokan yang berbeda akan, secara umum, menghasilkan partisi yang berbeda untuk dataset yang sama. Hasil pengelompokan yang berbeda juga dapat diproduksi oleh yang sama algoritma clustering dengan menggunakan nilai parameter algoritmik yang berbeda atau inisialisasi berbeda.
Pertimbangkan X yang dibagi menjadi subset menggunakan N recursions algoritma clustering dan membiarkan P mewakili ansambel N subset. Oleh karena itu P disebut pengelompokan ensemble