ارائه یک روش خوشه بندی براساس الگوریتم بهینه سازی جستجوی فاخته برای پیش بینی و تحلیل رفتار مشتری

در این مقاله ، ما الگوریتم خوشه بندی را پیشنهاد کردیم که برای تجزیه و تحلیل داده های مرتبط با مشتری مناسب هستند که عمدتا این مجموعه داده ها دارای ابعاد بالا با تعداد نمونه های بسیار زیاد هستند. برای هدف خوشه بندی ، الگوریتم خوشه بندی وزن متغیر مبتنی بر جستجوی فاخته ( Cuckoo Search Variable Wighting (CSVW))را برای تعیین وزنهای متغیر بهینه برای هر خوشه در دادههای با ابعاد بالا پیشنهاد می کنیم . همچنین در این مقاله یک سیستم فازی تطبیق پذیر برای تنظیم پارامتر ضریب مهاجرت فاخته ها ارائه نمودیم که سبب بهبود عملکرد سیستم پیشنهادی شده است . مجموعه دادههای شرکت بیمه ( TIC)و InstaCart برای آزمایش ها و ارزیابی عملکرد استفاده شده است . نتایج معیارهای Elbow Silhouette ,ARI, و NMI نشان می دهد که الگوریتم خوشه بندی پیشنهادی CSVW عملکرد بهتری نسبت به روشهای خوشه بندی سنتی و مشابه ارائه می کند و خوشه های مناسب تری را در چند چرخه کوتاه از اجرا تولید می کند.

Keywords:

خوشه بندی , بهینه سازی , تحلیل مشتری , الگوریتم جستجوی فاخته , داده کاوی