بهبودیافته الگوریتم خوشه بندی k-means بز پایه الگوریتم جهش تزکیبی قورباغه

خوشه بندی را می توان به عنوان مهم ترین مسئله در یادگیری بدون نظارت در نظر گرفت. طرح شش بندی سعی می شود تا داده ها به خوشه ها تقسیم شوند که شباهت بین داده های درون هر خوشه حداکثر و شباهت بین داده های درون خوشه های متفاوت حداقل شود. الگوریتم K-MeansSFLA یکی از مشهورترین الگوریتم های خوشه بندی داده می باشد که به دلیل پیاده سازی آسان و سرعت عمل کرده، محبوبیت زیادی یافته است اما داده ها را به طور دقیق دسته بندی می کند همچنین از انحراف معیار و هزینه بالایی برخوردار می باشد. برای غلبه بر این مشکل از الگوریتم جهش ترکیبی قورباغه SFLA که یک الگوریتم تکامل مبتنی بر جمعیت ها هم گرایی بالا است را می توان راه حل مناسبی برای بهبود خوشه بندی و هزینه ذکر کرد. در این مقاله الگوریتم جدیدی را با نام SFLAKM برای بهبود روش K-Means پیشنهاد کرده ایم تا به دسته بندی داده ها با دقت بالاتری بپردازد. کارایی الگوریتم پیشنهادی برای مجموعه داده IRIS مورد ارزیابی قرار گرفته است. نتایج به دست آمده حاکی از عملکرد بهتر روش پیشنهادی نسبت به سایر روش های مرز دانش (روش های مطرح) می باشد.

کلیدواژه ها:

داده کاوی ، خوشه بندی K-Means ، الگوریتم جهش ترکیبی قورباغه ، بهینه سازی