ارائه یک روش موازی به منظور افزایش کارایی روش خوشه بندی فازی داده های حجیم بر اساس مدل Mapreduce

خوشه بندی یکی از شاخه های یادگیری بدون نظارت می باشد و فرآیند خودکاری است که در طی آن، هر نمونه به یکدسته که اعضای آن مشابه یکدیگر می باشند تقسیم می شود که به این دسته خوشه گفته میشود، اما در خوشه بندیفازی یک نمونه با درجهای از تعلق میتواند به چندین خوشه متعلق باشد. روشهای زیادی در زمینه خوشه بندی فازیارائه گردیدهاند که ازجمله میتوان به روش RSIO-LFCM بهبودیافته که به منظور خوشه بندی فازی داده های حجیم نامتوازن ارائه گردیده، اشاره نمود، اکثر روشهای ارائه شده در این زمینه از نظر محاسباتی گران و بسیار زمانبر بوده ودارای سرعت پایینی می باشند چون بیشتر الگوریتم های آن نیازمند روالهای تکراری یا بازگشتی می باشند و همچنینداده های آنها بیشتر داده های واقعی با ابعاد بالا می باشند. در این تحقیق با ارائه یک مدل موازی مبتنی برMapreduce سعی در افزایش سرعت روش RSIO-LFCM بهبودیافته داریم. پس از اجرای روش پیشنهادی بر روی دیتاست های آزمایشگاهی و مقایسه نتایج آن با روشهای پیشین نتایج بیانگر این بود که روش پیشنهادی بر روی دیتاست های متوازن دارای PURITY بالاتری نسبت به سایر روشها بوده و همچنین دارای سرعت بالاتری نسبت به روش های قدیمی بوده است.

کلیدواژه ها:

داده های حجیم ، خوشه بندی ، خوشه بندی فازی ، خوشه بندی داده های حجیم ، خوشه بندی موازی ، RSIO-LFCM ، دادههای حجیم ، خوشهبندی ، خوشهبندی فازی ، خوشهبندی دادههای حجیم ، خوشهبندی موازیMapreduceMapreduce