مروری بر نحوه ی عملکرد الگوریتم های خوشه بندی در DATA MINING DBSCAN, K -Means, K-Medoids, Hierarchical

از داده کاوی برای کاوش در اطلاعات و کشف دانش استفاده میشود. خوشه بندی یکی از تکنیک های اصلی داده کاوی است و کاربرد بسیاری در کشف دانش دارد. خوشه بندی 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 واقع خوشه بندی، بخش بندی داده ها به گروه ها یا خوشه های معنادار است به طوری که محتویات هر خوشه ویژگیهای مشابه داشته و در عین حال نسبت به اشیاء دیگر در سایر خوشه ها غیر مشابه می باشند. هدف خوشه بندی، دسترسی سریع و مطمئن به اطلاعات همبسته، و شناسایی ارتباط منطقی میان آن ها است. انواع مختلفی از الگوریتم های خوشه بندی با عملکردهای مختلف وجود دارند که از هر کدام در شرایط مختلف و برای رسیدن به اهداف مشخصی استفاده می گردد. از جمله کاربردهای خوشه بندی می توان به خوشه بندی اسناد ایکس ام ال، خوشه بندی اسناد خبری، خوشه بندی صفحات وب و ... اشاره کرد. به همین دلایل در ادامه این مقاله مروری بر نحوه ی عملکرد تعدادی از الگوریتم های خوشه بندی در داده کاوی خواهیم داشت.

کلیدواژه ها:

خوشه بندی ، DBSCAN ، K-Means ، K-Medoids ، .Hierarchical