میلاد نظری - دانشجوی کارشناسی ارشد هوش مصنوعی و رباتیکز- دانشگاه جامع امام حسین ع، انتهای اتوبان بابایی دانشگاه جامع امام حسین (ع)
محمدرضا حسنی آهنگر - دانشیار- دانشگاه جامع امام حسین ع، انتهای اتوبان بابایی دانشگاه جامع امام حسین (ع)
علی ظریفی - دانشجوی کارشناسی ارشد هوش مصنوعی و رباتیکز- دانشگاه جامع امام حسین ع، انتهای اتوبان بابایی دانشگاه جامع امام حسین (ع)

خوشه بندی یکی از شاخه های یادگیری بدون نظارت و فرآیندی اتوماتیک است که نمونه ها را به دسته هایی که اعضای آن مشابه یکدیگر می باشند تقسیم می کند که به این دسته ها خوشه گفته می شود. هدف از خوشه بندی پیدا کردن دسته هایی مشابه از اشیاء از میان نمونه های ورودی است. اما سوالی که مطرح می شود این ست که خوشه بندی موفق و مناسب را از خوشه بندی نامناسب و ناموفق چگونه میتوان تشخیص داد ذکر این نکته ضرورت دارد که هیچگونه شاخص مطلقی برای تعیین بهترین خوشه بندی وجود ندارد و این تنها بستگی به ساختار مساله و نحوه حل آن دارد. اما آنچه که در روش کلاسیک و متداول خوشه بندی مطرح می شود، خوشه بندی صفر و یکی است. بر اساس این روش داده ی ورودی بنا بر معیار شباهتی که بر اساس آن تصمیم گیری می شود، تنها در یک خوشه قرار می گیرد و وقتی در خوشه ای قرار گرفت قطعا در خوشه دیگر قرار ندارد. اما در روش خوشه بندی فازی که بر اساس منطق فازی عمل میکند، یک داده با ضرایب عضویت بین 0 تا 1 می تواند در خوشه های مختلف قرار گیرد. در این مقاله سعی می شود با معرفی و تبیین روشهای مختلف خوشه بندی فازی، شرحی از موارد استفاده و نقاط ضعف و قوت آنها بیان شود.

خوشه بندی، فازی، بدون نظارت، کلاسترینگ