کاهش بعد در خوشه بندی داده های بزرگ

خوشه بندی یکی از مسائل مهم داده کاوی در کشف الگو های پنهان در داده ها است. هنگامی که تعداد متغیرها بسیار زیاد باشد و با داده های با بعد بالا مواجه باشیم، مسئله کاهش بعد نیز به موازات یا در راستای خوشه بندی، موضوعیت پیدا می کند. یکی از متداول ترین روش های کاهش بعد که در هر دو موضوع یادگیری با نظارت و بدون نظارت استفاده می شود، مولفه های اصلی است که دارای محاسن و معایب خاص خود می باشد. در این مقاله علاقه مندیم که به منظور کاهش بعد، مساله خوشه بندی که یک مساله یادگیری بدون نظارت است را در قالب مساله رگرسیون ریج بیان کنیم تا بتوان همانند اندیشه ی مولفه های اصلی، نوع دیگری از ترکیب خطی متغیرهای اولیه را برای ساختن متغیرهای جدید استخراج نموده و سپس یکی از الگوریتم های خوشه بندی نظیر K-means را برای مشاهدات جدید بکار گیریم. از آنجا که در مساله رگرسیون ریج، یک پارامتر کنترلی، نقش آفرینی می کند، در اینجا نیز پارامتر کنترلی نقش بسزایی در عملکرد خوشه بندی خواهد داشت. نتایج حاصل از شبیه سازی و داده های واقعی حاکی از برتری این روش نسبت به مولفه های اصلی است.

کلیدواژه ها:

خوشه بندی ، داده های با ابعاد بالا ، تحلیل مولفه های اصلی ، اعتبار سنجی متقابل ، پارامتر کنترل