ارائه یک روش خوشه بندی ترکیبی جدید با استفاده از ترکیب نتایج الگوریتم های خوشه بندی کلاسیک K-Means و K-Medoids و DBScan

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,491

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

MAYCOMP01_058

تاریخ نمایه سازی: 5 بهمن 1395

چکیده مقاله:

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.

نویسندگان

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 مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • آنی، .و اسماعیلی، ف. (1391).روش‌های دسته‌بندی جریان داده. ...
  • باقرزاده، ف. (1388). داده کاوی و کشف دانش در MICROSOFT ...
  • _ (1387). داده کاوی، کشف دانش پنهان داده ها. اداره ...
  • _ . (1388).داده کاوی و خوشه بندی داده ها In ...
  • Alpaydin, E. (2004). Introduction to Machine Learning. The MIT press. ...
  • Aurenhammer, F. (1991). Voronoi Diagrams. A Survey of a Fundamental ...
  • Backlund, H., Hedblom, A., & Neijman, N. (2011). DBSCAN A ...
  • Berikov, V. (2013). Weighted ensemble of algorithms for complex data ...
  • Campello, R., Moulavi, D., & Sander, J. (2013). Density- Based ...
  • Edelstein, H. A. (1999). Introduction to Data Mining and Knowledge ...
  • Gutierrez, A., & Marotta, A. (2002). An Overview of Data ...
  • Hamerly, G., & Elkan, C. (2002). Alternatives to the k- ...
  • Han, J., & Kamber, M. (2006). Data Mining: Concepts and ...
  • Hand, D. (2002). Data Mining: Statistics and More? ...
  • Inokuchi, R., Nakamura, T., & Miyamoto, S. (2006). Kernelized cluster ...
  • Januzaj, E., Kriegel, H., & Pfeifle, M. (1994). DBDC Density-Based ...
  • Kaufman, L., & Rousseeuw, P. J. (1987). Clustering by _ ...
  • Liu, B. (2007). Web Data Mining: Exploring Hyperlinks, Contents, and ...
  • Rokhlin, A., & Caponnetto, A. (2007). Stability of k-means clustering. ...
  • Roth, V., & Lange, T. (2004). Feature selection in clustering ...
  • نمایش کامل مراجع