showed consensus clustering perform

showed consensus clustering performed on some benchmark datasets using as many as 25 to 150 partitions.
Inspired by our earlier work on recursive supervised learning [11] we propose here a recursive divide-and-conquer approach to clustering, which applies an evolutionary clustering algorithm to the data. We then use a neighborhood measure to remove from the data those patterns which are clustered with high confidence. Their centroids are then shifted (using a local algorithm) to better represent these clusters. The patterns that were earlier clustered with a low confidence are now focused upon and reclustered.

Hasil (Bahasa Indonesia) 1:

menunjukkan konsensus pengelompokan dilakukan pada beberapa dataset patokan yang menggunakan partisi sebanyak 25-150.Terinspirasi oleh pekerjaan sebelumnya kami pada rekursif diawasi belajar [11] kami di sini mengusulkan rekursif membagi-dan-menaklukkan pendekatan untuk pengelompokan, yang berlaku evolusi clustering algoritma untuk data. Kami kemudian menggunakan ukuran lingkungan untuk menghapus dari data pola-pola yang tersusun dengan keyakinan tinggi. Centroids mereka kemudian bergeser (menggunakan algoritma yang lokal) untuk lebih mewakili kelompok ini. Pola-pola yang sebelumnya berkumpul dengan tingkat keyakinan rendah sekarang difokuskan dan reclustered.

Hasil (Bahasa Indonesia) 2:

menunjukkan pengelompokan konsensus dilakukan pada beberapa dataset benchmark menggunakan sebanyak 25-150 partisi.
Terinspirasi oleh pekerjaan kita sebelumnya pada rekursif diawasi belajar [11] kami mengusulkan di sini pendekatan membagi-dan-menaklukkan rekursif untuk clustering, yang berlaku suatu algoritma clustering evolusioner untuk data. Kami kemudian menggunakan ukuran lingkungan untuk menghapus dari data pola-pola yang berkerumun dengan keyakinan tinggi. Centroid mereka kemudian bergeser (menggunakan algoritma lokal) untuk lebih mewakili kelompok ini. Pola yang sebelumnya berkerumun dengan kepercayaan diri yang rendah sekarang difokuskan pada dan reclustered.