بهبود هزینه های داده کاوی داده های بزرگ در ابر با استفاده از الگوریتم خوشه بندی OP-ELM k-Means

دوران داده های بزرگ آغاز شده است. امروزه، نود درصد از داده ها در طی دو سال اخیر تولید شده و 2/5 کوانتیلیون از داده های جدید هر روزه تولید می شوند. از طرفی داده کاوی به عنوان ابزار کشف دانش در پایگاه های داده شناخته می شود و هدف آن ارایه مدلی از سیستم و یا تولید دانش جدیدی است که کاربر بتواند از آن استفاده کند. این هدف باساخت مدلی از دنیای واقعی براساس داده های جمع آوری شده از منابع متفاوت بدست می آید . استفاده از سیستم های داده کاوی مبتنی بر روش OP-ELM ضمن کاهش خطای نهایی از حجم بار محاسباتی اعمالی به سیستم می کاهد و قابلیت کار روی مجموعه داده های بزرگ تر را فراهم می کند. در این مقاله، هدف اصلی، بهبود هزینه های داده کاوی داده های بزرگ در ابر با استفاده از الگوریتم خوشه بندی OP-ELM K-means می باشد. در واقع هدف از این تحقیق این است که اولا فاکتورهای بهینه انتخاب گردد با استفاده از توابع best first , info get ، سپسروش های کلاسترینگ که عبارتند از K-means ، ELM ، OP-ELM ، SVM ، در مورد کاهش هزینه های محاسبات داده کاوی داده های بزرگ در ابر باهم مقایسه گردند، الگوریتم بهینه یعنی الگوریتم خوشه بندی Means OP-ELM -k- انتخاب گردید. الگوریتمی که هدف اصلی این تحقیق بود کمتر مورد استفاده قرار گرفته و طبق تحقیقات انجام شده گفته می شود که می تواند موجب کاهش هزینه ها شود. تا حالا از این الگوریتم روی دیتا بیس کلود استفاده نشده همچنین در صورت نیاز برای بهینه سازی بیشتر فاکتور جدیدی به آن اضافه می گردد

بهبود هزینه های داده کاوی داده های بزرگ در ابر با استفاده از الگوریتم خوشه بندی OP-ELM k-Means Keywords:

داده کاوی , Means OP-ELM-k- , هزینه داده کاوی در ابر , داده های بزرگ , الگوریتم خوشه بندی