افزایش کارایی الگوریتم های خوشه بندی مبتنی بر روش یادگیری تقویتی

یک الگور یتم خوشه بندی، نمونه های موجود در یک فضا ی داده را بر اساس ویژگیهایشان به گروهها ی متما یز دسته بندی می کند . از آنجا که نمونه ها ه یچ گونه اطلاعات ی در ارتباط با کلاس واقع یشان به همراه ندارند، تکن یک خوشه بندی جزء روشها ی یادگیری بدون ناظر قلمداد م ی شود . روشهای ز یادی برای بهبود کارا یی تکن یکهای خوشه بندی ارائه شده اند . یکی از روش های نو ین پیشنهاد شده، استفاده از ا یدۀ یادگیری تقو یتی برای ارتقاء کارا یی رو شهای خوشه بندی متداول است . یادگیری تقو یتی ب ین دو روش یادگیری با ناظر و بدون ناظر طبقه بندی م ی شود . در این حالت اگر چه نمونه ها برچسب کلاس ندارند، ول ی به ازا ی دسته بندی مطلوب یا نا مطلوب نمونه ها، از سو ی مح یط یادگیری تقو یتی، پاداش یا تن بیه متناسب با آن دسته بندی در یافت م ی شود . در این مقاله نیز از ا یدۀ یادگیری تقو یتی برای افزا یش کارا یی الگور یتم خوشه بندی k-means استفاده شده است . نوآوری به کار رفته در ا ی ن k- مقاله استفاده از الگور یتم ژنت یک به موازات روش یادگیری تقو یتی برای افزا یش هر چه بیشتر کارا یی الگور یتم خوشه بندیmeans می باشد . در این مقاله تأثیر برخی از پارامترهای به کار رفته در این رویکرد بر عملکرد الگوریتم ارائه شده، مورد بررسی قرار گرفته است . نتایج به دست آمده حاک ی از آن است که استفاده از الگور یتم ژنت یک به موازات روش یادگیری تقو یتی، تأثیر بیشتر ی در افزایش کارایی الگوریتمهای خوشه بندی نسبت به شیوه های متداول استفاده از روش یادگیری تقویتی دارد

کلیدواژه ها:

یادگیری تقویتی ، خوشه بندی وفقی ، الگوریتم ژنتیک ، تابع فاصله اقلیدوسی وزندار ، پاداش هوشمندانه