ترکیب روش های خوشه بندی سلسله مراتبی با استفاده از روش PCA

وجود اینترنت باعث رشد چشمگیر داده ها و ایجاد داده های بزرگ شده است. مدیریت این داده ها که اغلب بدون برچسب هستند، یکچالش بزرگ برای دنیای واقعی است. خوشه بندی سلسله مراتبی به عنوان رویکرد کارامد بدون ناظر برای تجزیه و تحلیل داده هایبدون برچسب شناخته می شود. خوشه بندی سلسله مراتبی مکانیزمی برای گروه بندی داده ها در مقیاس مختلف با ایجاد دندروگراماست. در این مقاله یک روش خوشه بندی سلسله مراتبی تجمعی مبتنی بر خوشه بندی خوشه ها و روش تحلیل مولفه های اصلی( PCA ) ارائه می دهیم که به صورت گروهی کار خوشه بندی را انجام می دهد. الگوریتم پیشنهادی شامل سه مرحله اصلی است. درمرحله اول گروهی از الگوریتم های خوشه بندی سلسله مراتبی تجمعی انفرادی برای تشخیص روابط بین نمونه ها و ایجاد خوشه هایاولیه با استفاده از PCA ترکیب می شوند. در مرحله دوم، خوشه های اولیه ایجاد شده توسط الگوریتم های مختلف دوباره خوشه بندیمی شود تا ابرخوشه ها ایجاد شوند. پس از خوشه بندی خوشه ها، هر نمونه به ابرخوشه ای با حداکثر شباهت تخصیص داده شده تاخوشه های نهایی در مرحله سوم تشکیل شود. برای ارزیابی الگوریتم پیشنهادی از مجموعه داده UCI استفاده نمودیم. بر اساسنتایج، روش پیشنهادی بهتر از روش های خوشه بندی دیگر عمل می کند

کلیدواژه ها:

خوشه بندی سلسله مراتبی ، AHC ، تجمعی ، گروهی ، خوشه بندی خوشه ها ، روش PCA