تعیین مراکز اولیه خوشه های الگوریتم K-means بوسیله الگوریتم ازدحام دلفین ها به منظور بهبود خوشه بندی داده ها

خوشه بندی داده ها یکی از مهم ترین مراحل در تحلیل داده های پیچیده و استخراج الگوهای پنهان در داده ها محسوب می شود. الگوریتم K-means به دلیل سادگی و کارایی یکی از پرکاربردترین الگوریتم های خوشه بندی است اما حساسیت آن نسبت به تعیین مراکز اولیه خوشه ها می تواند منجر به کاهش دقت و کیفیت خوشه بندی شود. در این تحقیق روشی نوین برای تعیین مراکز اولیه خوشه ها ارائه شده است که از الگوریتم فراابتکاری ازدحام دلفین ها بهره می برد تا دقت خوشه بندی K-means بهبود یابد. برای ارزیابی روش پیشنهادی دو مجموعه داده Heart Failure Clinical Records و Tennis Major Tournament Match Statistics با ویژگی های متفاوت مورد استفاده قرار گرفته اند. آزمایش های انجام شده نشان می دهد که استفاده از الگوریتم ازدحام دلفین ها در تعیین مراکز اولیه منجر به کاهش خطا و افزایش دقت خوشه بندی K-means در هر دو مجموعه داده می شود. نتایج حاکی از کارایی بالای روش پیشنهادی و قابلیت کاربرد آن در مسائل خوشه بندی واقعی با داده های پیچیده و متنوع است.

کلیدواژه ها:

داده کاوی ، یادگیری ماشین ، خوشه بندی ، درخت تصمیم ، الگوریتم بهینه سازی ، ازدحام دلفین ها