بهبود الگوریتم خوشه بندی K-Means با استفاده از الگوریتم رقابت استعماری

خوشه بندی را می توان به عنوان مهمترین مسئله در یادگیری بدون نظارت در نظر گرفت. در خوشه بندی سعی می شود تا داده ها به خوشه هایی تقسیم شوند که شباهت بین داده های درون هر خوشه حداکثر و شباهت بین داده های درون خوشه های متفاوت حداقل شود در این مقاله از فاصله اقلیدسی به عنوان معیاری اندازه گیری شباهت استفاده شده است روشهای مختلفی مانند تقسیم و غلبه K-Means و ژنتیک برای خوشه بندی استفاده شده است. یکی از ضعف های روش K-Means دریافت تعداد خوشه های به عنوان ورودی می باشد در این مقاله بااستفاده از الگوریتم رقابت اسعماری این نقطه ضعف پوشش داده شده است و نتایج آزمایشهای انجام گرفته، نشان می دهد که در مقایسه با الگوریتم K-Means نتایج بهتری حاصل شده است.

کلیدواژه ها:

خوشه بندی ، یادگیری بدون نظارت ، الگوریتم K-Means و الگوریتم رقابت استعماری