مقایسه عملکرد خوشه بندی داده های بعد بالا توسط روش تصویرهای تصادفی و برخی روش های مرسوم کاهش بعد

 امروزه  مشاهدات اندازه گیری شده در بسیاری از حوزه های علمی، مثل علوم زیستی اغلب بعد بالا هستند، به این معنی که تعداد متغیرها از تعداد نمونه بیشتر است. یکی از مشکلاتی که در خوشه بندی مدل مبنای اینگونه داده ها رخ می دهد برآورد تعداد زیادی پارامتر است. برای رفع چنین مشکلی، ابتدا باید بعد داده ها را قبل از خوشه بندی کاهش داد که این امر  می تواند از طریق روش های کاهش بعد انجام شود. یک رویکرد اخیر  در این زمینه که مورد توجه فراوان قرار گرفته روش تصویرهای تصادفی است. در مقاله حاضر این روش از هر دو منظر نظری و کاربردی  مورد بررسی قرار گرفته و برتری آن در مقایسه با برخی رویکردهای مرسوم کاهش بعد مانند تحلیل مولفه های اصلی و روش انتخاب متغیر  در تحلیل سه مجموعه داده واقعی نشان داده شده است. 

کلیدواژه ها:

High Dimensional Data ، Model-Based Clustering ، Dimension Reduction Methods ، Random Projections. ، داده های بعد بالا ، خوشه بندی مدل مبنا ، روش های کاهش بعد ، تصویرهای تصادفی.