Several methods have been proposed

Several methods have been proposed to overcome this problem. Second order curves, with the use of the inverse covariance matrix, are often used to capture ellipsoidal properties [2]. The concept of second order curves was expanded in several cases to include second order shells. Kohonen discussed the use of the weighted Euclidean distance [1] that captures the different variances in the components of input signals. The use of the Mahlanobhis distance [3] was also considered.
On the other hand, non-parametric techniques such as agglomeration [4] attempt to find arbitrary shapes in the clusters. However, their performance also depends on the ability of the cluster to satisfy Equation 3.
Lipson and Siegelmann [5] proposed the generalized higher order neuron (HON) structure, which extended second order surfaces to arbitrary order hyper surfaces. These neurons had the capability to detect arbitrarily shaped clusters and were therefore desirable over spherical or ellipsoidal detecting of clusters. The higher order neurons could also, in a correctly prescribed order, yield results similar to non parametric clustering techniques.
On the other end of the clustering spectrum are the ensemble approaches. Ensemble learning, which is highly popular in the supervised learning domain [6], has just begun to take root in the domain of unsupervised learning.
While there are many ensemble approaches to supervised classifications, combination of clustering partitions is a more challenging task than combining partitions of labeled data. In the absence of labels, labeling clusters in different parts of the ensemble becomes a problem. A common approach to resolving this problem is consensus clustering [7-10], where several methods are used to create partitions [12] and an ensemble is created based on the similarity between the data in each partitioning algorithm.
While the ensemble clustering approach combines the strengths of different clustering approaches the optimal number of partitions is unknown. Topchy and Behrouz [10]

Hasil (Bahasa Indonesia) 1:

Beberapa metode telah diusulkan untuk mengatasi masalah ini. Kurva urutan kedua, dengan menggunakan kovarians invers matriks, sering digunakan untuk menangkap Ellipsoidal spora properti [2]. Konsep kedua urutan kurva diperluas dalam beberapa kasus untuk menyertakan kedua pesanan kerang. Kohonen membahas penggunaan jarak Euclidean tertimbang [1] yang menangkap varians berbeda dalam komponen dari sinyal input. Penggunaan jarak Mahlanobhis [3] juga dianggap.Di sisi lain, non-parametrik teknik seperti aglomerasi [4] usaha untuk menemukan bentuk sewenang-wenang di cluster. Namun, kinerja mereka juga tergantung pada kemampuan cluster untuk memenuhi persamaan 3.Lipson dan Siegelmann [5] diusulkan umum lebih tinggi urutan neuron (HON) struktur, yang diperpanjang permukaan urutan kedua untuk memesan sewenang-wenang hiper permukaan. Neuron-neuron ini memiliki kemampuan untuk mendeteksi sewenang-wenang berbentuk cluster dan karenanya diinginkan atas bulat atau Ellipsoidal spora mendeteksi cluster. Neuron Orde lebih tinggi bisa juga, dalam urutan yang benar ditentukan, menghasilkan hasil yang serupa dengan bebas parametrik clustering teknik.Di ujung lain spektrum clustering adalah pendekatan ansambel. Ansambel belajar, yang sangat populer di domain diawasi belajar [6], baru saja mulai mengambil akar dalam domain belajar tanpa pengawasan.Meskipun ada banyak ansambel pendekatan untuk klasifikasi diawasi, kombinasi clustering partisi merupakan tugas yang lebih menantang daripada menggabungkan partisi data berlabel. Dalam ketiadaan label, label cluster di berbagai bagian dari ansambel menjadi masalah. Pendekatan umum untuk menyelesaikan masalah ini adalah konsensus pengelompokan [7-10], dimana beberapa metode yang digunakan untuk membuat partisi [12] dan ansambel dibuat berdasarkan kesamaan antara data dalam algoritma setiap partisi.Sementara ansambel pengelompokan pendekatan menggabungkan kekuatan berbeda pendekatan klaster jumlah optimal partisi tidak diketahui. Topchy dan Behrouz [10]

Hasil (Bahasa Indonesia) 2:

Beberapa metode telah diusulkan untuk mengatasi masalah ini. Kurva urutan kedua, dengan penggunaan kovarians matriks inverse, sering digunakan untuk menangkap sifat ellipsoidal [2]. Konsep kurva urutan kedua diperluas dalam beberapa kasus untuk memasukkan kerang urutan kedua. Kohonen membahas penggunaan jarak tertimbang Euclidean [1] yang menangkap varians berbeda dalam komponen sinyal masukan. Penggunaan jarak Mahlanobhis [3] juga dianggap.
Di sisi lain, teknik non-parametrik seperti aglomerasi [4] berusaha untuk menemukan bentuk sewenang-wenang dalam cluster. Namun, kinerja mereka juga tergantung pada kemampuan cluster untuk memenuhi Persamaan 3.
Lipson dan Siegelmann [5] mengusulkan umum lebih tinggi agar neuron (HON) struktur, yang diperpanjang agar permukaan kedua untuk sewenang-wenang permukaan agar hiper. Neuron ini memiliki kemampuan untuk mendeteksi cluster berbentuk sewenang-wenang dan karena itu diinginkan lebih mendeteksi bola atau elips cluster. Semakin tinggi neuron agar bisa juga, dalam urutan yang ditentukan dengan benar, hasil yield mirip dengan teknik pengelompokan non parametrik.
Di ujung lain dari spektrum pengelompokan adalah pendekatan ensemble. Pembelajaran ansambel, yang sangat populer dalam domain pembelajaran terawasi [6], baru saja mulai mengambil akar dalam domain pembelajaran terawasi.
Meskipun ada banyak pendekatan ensemble untuk klasifikasi diawasi, kombinasi partisi pengelompokan adalah tugas lebih menantang daripada menggabungkan partisi data berlabel. Dengan tidak adanya label, cluster label di bagian yang berbeda dari ansambel menjadi masalah. Pendekatan umum untuk mengatasi masalah ini adalah pengelompokan konsensus [10/07], di mana beberapa metode yang digunakan untuk membuat partisi [12] dan sebuah ensemble yang dibuat berdasarkan kesamaan antara data di setiap algoritma partisi.
Sementara ensemble menggabungkan pendekatan clustering kekuatan dari pengelompokan yang berbeda mendekati jumlah yang optimal dari partisi tidak diketahui. Topchy dan Behrouz [10]