مدل خوشه بندی دانشجوهای کارشناسی ارشد دانشگاه آزاد اسلامی واحد تهران شمال به کمک داده کاوی

از داده کاوی می توان در بخش های مختلف مدیریت داده ها بهره برد که خوشه بندی در داده کاوی یکی از کاربردهای مهم این علم است. در داده کاوی هدف پیدا کردن یک الگوی کلی و قابل استفاده از بین جمع زیادی از داده ها است. خوشه بندی در داده کاوی از بین داده ها، آن هایی که با هم شباهت بیشتری دارند را جدا کرده، از جنبه های مختلف بررسی می کند و در دسته های متفاوت قرار می دهد. در سایر روش ها بر اساس ویژگی های اولیه ای که تعیین می شود دسته بندی و طبقه بندی صورت می گیرد، در صورتیکه در خوشه بندی، بدون تعیین فاکتورهای اولیه و بر اساس ویژگی های داده ها طبقه بندی صورت می گیرد.روش پیشنهادی برمبنای ترکیب دو الگوریتم K-means و SFLA است که در راستای افزایش دقت خوشه بندی دانشجویان کارشناسی ارشد ارائه می شود. به دلیل محدودیت های زمانی و مالی، نمونه گیری از جامعه آماری بصورت تصادفی ساده صورت خواهد گرفت. نتایج نشان می دهد که معیار دقت برای روش پیشنهادی به مراتب بهتر از سایر روش های اشاره شده در بالا می باشد و علت آن ترکیب شدن دو الگوریتم K-Means و الگوریتم تکاملی قورباغه بوده است که باعث شده است رکوردها که همان دانشجویان کارشناسی ارشد هستند در جاهای مناسب قرار گرفته و میزان دقت نسبت به مقدار واقعی شماره خوشه، بالاتر رود.

کلیدواژه ها:

خوشه بندی ، داده کاوی ، الگوریتم قورباغه ، معیار دقت