خوشه‌بندی با الگوریتم k- میانگین لاینکس هوشمند

خوشه‌بندی k- میانگین لاینکس هوشمند یک تعمیم از خوشه‌بندی k- میانگین است که در آن تعداد خوشه‌‌ها و مراکز مربوطه را می‌توان مشخص کرد در حالی که تابع زیان لاینکس به‌عنوان معیار عدم‌تشابه در نظر گرفته می‌شود. بنابراین انتخاب مراکز در هر خوشه تصادفی نیست. انتخاب معیار عدم‌تشابه لاینکس به پژوهش‌گر کمک می‌کند تا مراکز را در صورت نیاز بیش برآورد یا کم برآورد نماید که سبب می‌شود برخی مشاهدات به خوشه‌ای خاص هدایت شوند. در این پژوهش، کارکرد الگوریتم یاد شده بر برخی پایگاه داده‌های واقعی و شبیه‌سازی‌ شده بررسی می‌شود و نتایج با توجه به برخی معیارهای درونی و بیرونی ارزیابی می‌شود.