ارائه یک روش خوشه بندی ترکیبی جدید با استفاده از ترکیب نتایج الگوریتم های خوشه بندی کلاسیک K-Means و K-Medoids و DBScan
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,553
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
MAYCOMP01_058
تاریخ نمایه سازی: 5 بهمن 1395
Abstract:
یکی از مهم ترین تکنیکهای داده کاوی خوشه بندی است. خوشه بندی یکی از شاخه های یادگیری بدون نظارت می باشد و فرآیند خودکاری است که در طی آن نمونه ها به دسته هایی که اعضای آن مشابه یکدیگر می باشند، تقسیم می شوند که به این دسته ها، خوشه گفته می شود. در این مقاله سه مورد از رایج ترین الگوریتم های خوشه بندی به نام های K-Means و K-Medoids و DBScan مورد بررسی قرار گرفته اند. از آنجا که الگوریتم های پایه هر یک دارای مزایا و معایبی هستند، اگر بتوان با یک روش شمارشی نتایج حاصل از خوشه بندی را با یکدیگر ترکیب نمود، به نظر می رسد بتوان اثر معایب الگوریتم ها را کاسته و از مزایای آن ها استفاده کرد که در این صورت کیفیت و دقت خوشه بندی نهایی بالاتر رفته و احتمال خطا کاهش می یابد. از طرفی با ترکیب این الگوریتم ها وابستگی نتیجه خوشه بندی به پیکربندی اولیه داده ها از بین رفته و نتایج قابل اطمینان تر می شود. در این مقاله به ارائه یک روش خوشه بندی ترکیبی با استفاده از ماتریس همبستگی پرداخته شده است که در نهایت اعمال این روش بر روی یک مجموعه داده استاندارد و مقایسه نتایج با خوشه بندی واقعی داده ها، نشان می دهد که اجرای روش پیشنهادی بهبود قابل توجه ی در افزایش دقت و کاهش خطا در خوشه بندی نهایی داده ها ایجاد می کند.
Keywords:
Authors
الهام صیدالی سیف آباد
دانشجوی کارشناسی ارشد، گروه کامپیوتر، دانشگاه آزاد اسلامی یاسوج، ایران
فرهاد راد
گروه کامپیوتر، دانشگاه آزاد اسلامی واحد یاسوج، یاسوج، ایران
حسین حسنی
دانشجوی دکترا، گروه علوم کامپیوتر، دانشگاه واحد شهرکرد، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :