سعیده قنادپور - دانشجوی کارشناسی ارشد اکتشاف معدن، دانشگاه صنعتی امیرکبیر، تهران
اردشیر هزارخانی - استاد دانشکده معدن و متالورژی دانشگاه صنعتی امیرکبیر، تهران
حمید عشقی - دانشجوی کارشناسی ارشد اکتشاف معدن، دانشگاه صنعتی امیرکبیر،

یکی از دیدگاههای مهم در علم دادهآاوی برای تحلیل و بررسی روی حجم زیادی از دادهها و نمونهها با مشخصههای گوناگون، دیدگاه خوشهبندی میباشد آه خود شامل روشها و تکنیکهای مهمی همچون روش سلسله مراتبی، روش میانگین K روشهای بر مبنای چگالی، روش کوهونن، الگوریتم های ژنتیک و ... در ادبیات موضوع است و تاآنون توسط پژوهشگران مختلف به آار گرفته شده است. شایان ذآر است آه در این دیدگاه فرض میگردد آه مجموعه M متشکل از m نمونه به صورت x1, x2,..., xm} تعریف میگردد آه هر نمونه xi در آن به صورت یک برداری در مجموعه M تعریف میگردد این بردار نشاندهنده مشخصههای متفاوت برای آن نمونه میباشد. یکی از معروفترین الگوریتمهای خوشهبندی، الگوریتم K میانگین K-means است. این الگوریتم تلاش میکند که بر اساس یک معیار فاصله، دادهها را به k خوشه تقسیم کند. در مقاله پیش رو با بکار گیری روش K-means برای کلاس بندی گمانههای حفاری شده در کانسار پرکام، تحت دو مقدار عیار عنصر مس و مولیبدن، مقدار بهینه k محاسبه شده و سپس به کلاس بندی دادههای مذکور پرداخته شده است.

K-means کلاس بندی، مس، مولیبدن، پرکام