بهبود الگوریتم Means برای خوشه بندی داده های نامتوازن در شناسایی گونه های استراتژیک گیاهان دارویی

داده ها در خوشه بندی فازی ابزاری ضروری برای تحلیل الگوهای پیچیده است. با این حال، استفاده از الگوریتم متداول میانگین های فازی (FCM) در مواجهه با مجموعه داده های نامتوازن، جدی محدود به ویژه در شناسایی از گلونه های امغال استراتژیکی گیاهان دارویی روبرو است. در این حوزه، گونه های کمیاب دارای داده های و نامتوازن هستند و سوگیری FCM نسبت به خوشه های بزرگتر، دقت تشخیص گونه های اقلیت (استراتژیک) را به شدت کاهش می دهد. در این پژوهش، یک مدل خوشه بندی جدید با عنوان FCM تطبیقی با وزن دهی پویا برای غلبه بر این نقص معرفی شد. نوآوری اصلی در اصلاح تابع هدف FCM است که با وارد کردن یک ضریب وزن دهی پویا خوشه، به خوشه های کوچکتر وزن بیشتری می دهد. تطبیقی، خطای نمونه های کمیاب را تقویت کرده الگوریتم را مجبور به تنظیم دقیق تر مراکز خوشه ها برای گونه های اندازه مکانیزم آگاه اقلیت می کند. این رویکرد، مسئله عدم توازن را در سطح خوشه ها مجموعه استاندارد، می دهد به این و و به صورت داخلی در فرآیند بهینه سازی حل می کند. برای ارزیابی، از داده زنبق به عنوان یک پایگاه داده واقعی و شناخته شد استفاده شد. نتایج نشان داد که روش پیشنهادی در مقایسه با FCM دقت و پایداری خوشه بندی را به طور محسوسی بهبود و می تواند ابزاری کارآمد برای مطالعات مرتبط با شناسایی گونه های گیاهی و داده های نامتوازن باشد.

کلیدواژه ها:

خوشه بندی فازی ، داده های نامتوازن ، الگوریتم ، گیاهان دارویی