Методы бикластеризации для анализа интернет-данных


Классификация методов бикластеризации


Теперь, когда четко выделены основания для классификации алгоритмов бикластеризации, построим их таксономию. В таблице1.3 для каждого алгоритма, вошедшего в обзор, в соответствующих столбцах указаны тип бикластера, структура порождаемых бимножеств, количество бикластеров, порожденных за один запуск алгоритма, и стратегия поиска.

Таблица 1.3:

Сравнительная таблица алгоритмов бикластеризации

Алгоритм

Тип бикластера Структура Порождение Стратегия поиска

Block Clustering [37]

Constant f One Set at a Time Div-and-Conq

-biclusters [25]

Coherent Values i One at a Time Greedy

FLOC [84,85]

Coherent Values i Simultaneous Greedy

pClusters [81]

Coherent Values g Simultaneous Exh-Enum

Plaid Models [51]

Coherent Values i One at a Time Dist-Ident

PRMs [66,67]

Coherent Values i Simultaneous Dist-Ident

CTWC [34]

Constant Columns i One Set at a Time Clust-Comb

ITWC [78]

Coherent Values d,e One Set at a Time Clust-Comb

DCC [23]

Constant b,c Simultaneous Clust-Comb

-Patterns [24]

Constant Rows i Simultaneous Greedy

Spectral [45]

Coherent Values c Simultaneous Greedy

Gibbs [68]

Constant Columns d,e One at a Time Dist-Ident

OPSMs [16]

Coherent Evolution a,i One at a Time Greedy

SAMBA [77]

Coherent Evolution i Simultaneous Exh-Enum

xMOTIFs [58] [19]

Coherent Evolution a,i Simultaneous Greedy

OP-Clusters [53]

Coherent Evolution i Simultaneous Exh-Enum


Мы используем решеточную таксономию алгоритмов, так как она лишена недостатков древесной, когда наследование свойств от различных надклассов невозможно для одного и того же подкласса. Данная таксономия построена средствами ФАП, а исходная таблица 1.3 посредством шкалирования сведена к объектно-признаковому представлению в виде бинарной матрицы.

Рис. 1.1. Таксономия алгоритмов бикластеризации




- Начало -  - Назад -  - Вперед -



Книжный магазин