مهرداد مدهوشی - استاد ، عضو هییت علمی دانشکده ی علوم اقتصادی واداری ،دانشگاه مازندران، بابلسر،ایران
سیده رویا خلخالی زاویه - دانشجوی کارشناسی ارشد مدیریت بازرگانی-مالی ،موسسه آموزش عالی خزر،محمودآباد،ایران

امروزه خوشه بندی یکی از پرکاربردترین مسایل در زمینه هوش مصنوعی به شمار می آید. همچنین قابلیت آن درورود به فضای داده وتشخیص ساختار آنها، خوشه بندی را به یکی از ایده ال ترین مکانیزم ها برای کار با حجم عظیم دادهها تبدیل کرده است. روش های خوشه بندی یک رهیافت متداول برای تصمیم گیری ها یا طبقه بندی هایی که می تواندتصمیمات نمادینی را به نمونه های جدید با استفاده از نمونه های موجود منتسب کند ارایه می دهند. به همین دلیل روشهای خوشه بندی به واسطه ی قابلیت درکی که در خود دارند از اقبال خوبی برخوردار شده اند وحایز اهمیت می باشند. دراین مقاله مطالعات انجام شده در داخل و خارج از کشور که در زمینه خوشه بندی وتکنیک های آن انجام شده اند موردبررسی قرار گرفته است. و روش تحقیق مقاله حاضر به صورت تحلیلی – توصیفی و مطالعات کتابخانه ای می باشد. هدفاین مقاله بررسی وتحلیل خوشه بندی پارتیشنال و الگوریتم های k-medoid و k-means وارایه پیشنهادهایی برای بهبود این تکنیک ها می باشد. در این مقاله سعی شده است ضمن بیان مفاهیم خوشه بندی با بررسی وتحلیل روش خوشهبندی پارتیشنال وتکنیک های کامینز وکامدوید و نکات بدست آمده و پیشنهاد تکنیک هایی برای بهبود آنها ، بتوان با توجهبه نوع وحجم داده ها ،اهداف وکاربرد مساله ، مناسب ترین الگوریتم را برای خوشه بندی انتخاب کرد.

خوشه بندی ، خوشه بندی پارتیشنال، k-means ،k-medoid