بررسی مشکلات الگوریتم خوشه بندی DBSCAN و مروری بر بهبودهای ارائه شده برای آن

خوشه بندی یک از تکنیک های مهم کشف دانش در پایگاه داده است. الگوریتم های خوشه بندی مبتنی بر چگالی یکی از روش های اصلی برای خوشه بندی در داده کاوی هستند. عدم محدودیت به شکل خوشه ها، ساده و قابل فهم بودن از جمله مزایای این الگوریتم ها است. DBSCAN الگوریتم پایه روش های خوشه بندی مبتنی بر چگالی است. این الگوریتم قابلیت کشف خوشه های با اندازه و اشکال متفاوت را از حجم زیادی از داده ها دارد و در مقابل نویز نیز مقاوم است. علی رغم وجود این مزایا، این الگوریتم دارای مشکلاتی نظیر سخت بودن تعیین مقدار دقیق پارامترهای ورودی، عدم تشخیص خوشه های با چگالی متفاوت و عدم تشخیص صحیح خوشه ها در هنگام نزدیک بودن خوشه ها به هم نیز می باشد. از سال ۱۹۹۶ که DBSCAN ارائه شده تا به امروز، الگوریتم های بسیار زیادی در جهت بهبود DBSCAN ارائه شده اند. در این مقاله ابتدا، مشکلات الگوریتم DBSCAN بررسی می شوند. سپس به مرور و بررسی الگوریتم هایی که در جهت بهبود مشکلات الگوریتم DBSCAN ارائه شده اند می پردازیم تا با نقاط ضعف و قوت این الگوریتم ها و میزان موفقیت این الگوریتم ها در بهبود الگوریتم DBSCAN آشنا شویم. همچنین، با توجه به مطالعات انجام شده، اقدام به پیاده سازی برخی از این الگوریتم ها نموده ایم و آن ها را بر روی مجموعه داده های استاندارد، بر اساس معیارهای ارزیابی خوشه بندی تست کرده ایم تا بهتر بتوانیم درباره این الگوریتم ها قضاوت کنیم.  

Keywords:

خوشه بندی مکانی , DBSCAN , مبتنی بر چگالی , چگالی متفاوت , تعیین پارامتر , پایگاه داده مکانی