سمیرا رفیعی - دانشجوی کارشناسی ارشد، گروه مهندسی کامپیوتر و فناوری اطلاعات - دانشکده مهندسی - دانشگاه کردستان - سنندج - ایران
پرهام مرادی - استادیار، گروه مهندسی کامپیوتر و فناوری اطلاعات - دانشکده مهندسی - دانشگاه کردستان - سنندج - ایران

خوشه بندی یکی از راهکارهای مهم در تحلیل داده هاست. در راهکارهای کلاسیک خوشه فرض بر این است که همه ویژگی ها از درجه اهمیت یکسانی برخوردار هستند. این در حالی است که در مجموعه دادههای واقعی یک سری از ویژگی ها اهمیت بیشتری نسبت به دیگرویژگی ها دارند. درنتیجه ویژگی های مهم تاثیر بیشتری در شناسایی خوشه های بهینه نسبت به سایر ویژگی ها خواهند داشت. در این مقاله، یکالگوریتم خوشه بندی فازی با وزندهی اتوماتیک محلی ارایه شده است. الگوریتم پیشنهادی دارای سه مزیت اصلی است. مزیت اول این است کهوزن دهی ویژگی ها را به صورت محلی انجام می دهد به طوریکه وزن ویژگی ها در یک خوشه نسبت به خوشه دیگر متفاوت است. مزیت دوم، استفاده ازیک معیار شباهت غیراقلیدسی برای به دست آوردن فاصله بین نمونه ها به منظور کاهش حساسیت الگوریتم نسبت به نویز است. مزیت سوم این استکه وزن ویژگی ها به صورت تطبیقی و در طول فرآیند یادگیری به دست می آید. در این مقاله تحلیل های ریاضی برای به دست آوردن توابع به روزرسانیمراکز خوشه ها و وزن های ویژگی ها ارایه شده است. همچنین تحلیل های ریاضی جهت اثبات همگرایی الگوریتم نیز ارایه شده است. آزمایش هایانجام گرفته بر روی یک مجموعه داده مصنوعی و پنج مجموعه داده واقعی نشان دهنده کارایی بالای الگوریتم پیشنهادی در مقایسه با دیگرالگوریتم های پیشنهادی با وزن دهی سراسری و محلی ویژگی ها است.

خوشه بندی فازی سی- مینز، وزن دهی محلی ویژگی ها، معیار شباهت غیراقلیدسی