خوشهبندی در دادههای بعد بالا
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,883
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NSOECE01_013
تاریخ نمایه سازی: 1 مهر 1394
چکیده مقاله:
خوشه بندی به طور گسترده به عنوان ابزار اولیه برای داده کاوی مورداستفاده قرارگرفته اما به دلیل وجود صدها ویژگی و خاصیت اسپارس ذاتی داده های بعد بالا به خوبی برای خوشه بندی مجموعه داده های بعد بالا ازنظر کارایی و اثربخشی مقیاس پذیر نیست. خوشه بندی زیر فضا یک متدولوژی در حال تکامل است که به جای پیدا کردن خوشه در کل فضای ویژگی هدفش پیدا کردن خوشه های مختلف در زیر فضاهای متداخل یا غیرمتداول از مجموعه داده های بعد بالا است. الگوریتم های تراکم محور خوشه بندی زیر فضا با خوشه ها به شکل نواحی متراکم در مقایسه با نواحی نویزی یا مرزی رفتار می کند. الگوریتم های خوشه بندی زیر فضا دوشاخه اصلی بر اساس استراتژی جستجوی شان دارند: الگوریتم های بالا-پایین یک خوشه یابی اولیه در تمام ابعاد انجام می دهد و زیر فضای هر خوشه را ارزیابی می کند. الگوریتم های پایین- بالا فضاهای متراکم را در فضاهای بعد پایین پیدا می کند و آن ها را برای تشکیل خوشه ترکیب می کند. در این مقاله مروری روی الگوریتم های خوشه بندی زیر فضا و الگوریتم های تراکم محور زیر فضا ارائه می دهیم همراه نموداری از مقایسه این الگوریتم ها. سپس دو الگوریتم به عنوان نماینده های شاخه اصلی الگوریتم های خوشه بندی زیر فضا و 3 الگوریتم تراکم محور را ازلحاظ دقت، زمان اجرا، مقیاس پذیری مقایسه می کنیم.
کلیدواژه ها:
نویسندگان
سحر روستایی
دانشجو، دانشگاه قم، قم
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 :