نقایس الگوریتم اٍی خوش بیدی k-means و c-means Fuzzy و کاربرد اٍیایو الگوریتم
محل انتشار: دومین کنفرانس بین المللی مهندسی و علوم کاربردی
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 478
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICEASCONF02_086
تاریخ نمایه سازی: 25 آذر 1395
چکیده مقاله:
تکنولوژی داده کاوی یعنی استخراج اطلاعات گرانبها از حجم عظیم معادن داده است که به عنوان توانایی سودمندی برای الگوهای تشخیص هویت و حجم موضوعات بزرگ داده ها مطرح می گردد. این روش پایه مناسب برای استخراج الگوهای ناشناخته از مجموعه بزرگ داده ها است و کمک می کند تا رفتار کسب و کار خود را در گذشته دقیق بشناسید و براساس آن آینده را با تقریب بالا پیش بینی کنید. این هوش محاسباتی منظم به عنوان یک ابزار با ارزش برای آنالیز داده، اکتشاف دانش جدید و ایجاد تصمیم مستقل پدیدار شد.حجم بزرگی از داده های خام بدون برچسب، ابتدا در مجموعه داده کلاس بندی می شود. یک روش بدون ناظر است که از آنالیز خوشه ای استفاده می کند. تخصیصی خوشه بندی از جستجوی یک مجموعه درون خوشه ای است، بنابراین جستجو در خوشه های یکسان در بسیاری از نمونه رفتاری ممکن است. در نتیجه فرایند خوشه بندی و سودمندی این الگوریتم در حوزه های کاربرد محدود است. الگوریتم های گوناگونی برای حل این مشکلات استفاده می شوند. در این مقاله دو الگوریتم خوشه بندی مهم k-meansو Fuzzy C-means با هم مقایسه می شود. این الگوریتم ها کاربردی و کارا می باشند، و روی کارایی خروجی پایه خوشه بندی ارزیابی می شود. تعداد نقاط داده و تعداد ضریب خوشه ها بر روی آنالیز الگوهای رفتاری هر دو الگوریتم موثر است. FCM محصول بست نتایج خوشه بندی K-meansمی باشد، اما نیاز به زمان محاسباتی بیشتری نسبت به خوشه بندی K-means دارد.
کلیدواژه ها:
نویسندگان
زهرا هوشمند
گروه کامپیوتر،گرایش هوش مصنوعی، دانشکده علوم و تحقیقات بوشهر
سیدعلی عسکرعادلیپور
گروه کامپیوتر،گرایش هوش مصنوعی، دانشکده علوم و تحقیقات بوشهر
مرضیه دادور
گروه کامپیوتر،گرایش هوش مصنوعی،دانشکده علوم و تحقیقات بوشهر