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

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.

دادهکاوی، خوشه بندی، الگوریتم K-Means، الگوریتم K-Medoids، الگوریتم DBScan