بهینه سازی خوشه بندی داده ها با استفاده از الگوریتم بهبود یافته نهنگ

خوشه بندی داده ها یکی از روش های کلیدی در داده کاوی است که در تحلیل و دسته بندی داده های پیچیده کاربرد گسترده ای دارد. این مقاله با هدف بهبود عملکرد الگوریتم های خوشه بندی رویکردی نوین مبتنی بر الگوریتم بهینه سازی نهنگ بهبود یافته ارائه می دهد. در این روش دو فاکتور مهم فاصله نقاط از یکدیگر و فاصله نقاط از مرکز خوشه در الگوریتم های K-Means و K-Medoids مورد بررسی قرار گرفته و با استفاده از الگوریتم بهینه سازی نهنگ بهبود یافته بهینه سازی شده اند. داده های اولیه از مجموعه های استاندارد UCI استخراج شده و با استفاده از ابزارهای RapidMiner و MATLAB پردازش شدند. ابتدا تعداد خوشه های بهینه با شاخص دیویس بولدین تعیین شد سپس پارامترهای خوشه بندی با الگوریتم نهنگ بهبود یافتند. نتایج حاصل از مقایسه با روش های مشابه نشان دهنده برتری روش پیشنهادی در بهبود دقت خوشه بندی و کاهش زمان محاسباتی است. این رویکرد با ارائه مدلی پویا و قابل اجرا امکان ارزیابی پیش از پیاده سازی را فراهم کرده و از اتلاف زمان و هزینه جلوگیری می کند. روش پیشنهادی قابلیت تعمیم به سایر الگوریتم های خوشه بندی نظیر خوشه بندی فازی را نیز داراست و می تواند در کاربردهای عملی داده کاوی مورد استفاده قرار گیرد.

کلیدواژه ها:

داده کاوی ، خوشه بندی ، الگوریتم بهینه سازی نهنگ ، K-Medoids ، K-Means ، بهینه سازی