سمیرا معمری - کارشناسی ارشد مهندسی نرم افزار، دانشکده مکاترونیک، دانشگاه آزاد اسلامی، پردیس علوم و تحقیقات البرز، کرج، ایران.
فریبا صالحی - عضو هیات علمی،دانشکده مکاترونیک، دانشگاه آزاد اسلامی، پردیس علوم و تحقیقات البرز، کرج، ایران.

سازماندهی داده ها به گروه های مشهود یکی از کارهای اساسی برای درک و یادگیری است. در همین راستا، آنالیز خوشه یک مطالعه ی نرمال از روشها و الگوریتمها برای گروه بندی یا خوشه بندی اشیاء با توجه به شباهت یا خصوصیات ذاتی اندازه گیری شده یا درک شده، میباشد. هدف خوشه بندی پیدا کردن ساختار در داده ها و اکتشاف در ذات داده ها است. خوشه بندی یکی از مسائل مهم در حوزه ی یادگیری ماشین و داده کاوی است که توجه بسیاری از پژوهشگران را به خود جلب کرده است. یافتن یک الگوریتم خوشه بندی جامع که بتواند در تمامی مسائل موجود بهترین جواب را ارائه دهد، امری مشکل میباشد. مشکل بودن مساله ی خوشه بندی را میتوان ناشی از عواملی چون ذات بدون ناظر بودن آن و اهداف متفاوت خوشه بندی در علوم و کاربردهای مختلف دانست. عدم آگاهی الگوریتم های خوشه بندی از هدف خوشه بندی و ساختار واقعی داده ها سبب میشود که این روشها بدون هیچ گونه دانشی از مساله و با در نظر گرفتن فرضهای خاص تلاش در حل مساله نمایند و این امر در صورت عدم تطابق میان فرض و هدف خوشه بندی یا ساختار واقعی داده ها، سبب تولید جوابهای نامناسب خواهد شد. با این وجود، طیف گسترده ی الگوریتم های خوشه بندی در مسائل دنیای واقعی با پیش فرضهایی در مورد هدف خوشه بندی و ساختار داده ها سعی در حل مساله نمودهاند. به همین منظور، این مطالعه مروری قصد دارد به معرفی و سپس بررسی و مقایسه روشهای مختلف خوشه بندی بپردازد.

خوشه بندی، آنالیز خوشه، خوشه بندی فازی