موسی گلعلی زاده - Depatment of Statistics, Tarbiat Modares University
صدیقه نورانی - Depatment of Statistics, Tarbiat Modares University

 امروزه  مشاهدات اندازه گیری شده در بسیاری از حوزه های علمی، مثل علوم زیستی اغلب بعد بالا هستند، به این معنی که تعداد متغیرها از تعداد نمونه بیشتر است. یکی از مشکلاتی که در خوشه بندی مدل مبنای اینگونه داده ها رخ می دهد برآورد تعداد زیادی پارامتر است. برای رفع چنین مشکلی، ابتدا باید بعد داده ها را قبل از خوشه بندی کاهش داد که این امر  می تواند از طریق روش های کاهش بعد انجام شود. یک رویکرد اخیر  در این زمینه که مورد توجه فراوان قرار گرفته روش تصویرهای تصادفی است. در مقاله حاضر این روش از هر دو منظر نظری و کاربردی  مورد بررسی قرار گرفته و برتری آن در مقایسه با برخی رویکردهای مرسوم کاهش بعد مانند تحلیل مولفه های اصلی و روش انتخاب متغیر  در تحلیل سه مجموعه داده واقعی نشان داده شده است. 

High Dimensional Data, Model-Based Clustering, Dimension Reduction Methods, Random Projections., داده های بعد بالا, خوشه بندی مدل مبنا, روش های کاهش بعد, تصویرهای تصادفی.