مزایا و معایب انواع روشهای خوشه بندی و معیارهای ارزیابی آنها

برای بررسی رکوردهای مشابه در مجموعه دادههایی که در آنها، رکوردها برچسب خاصی ندارند، و همچنین برای کاهش اندازه مجموعه دادههای بزرگ، از عملیات خوشهبندی استفاده میشود. الگوریتمهای خوشهبندی، به دنبال گروهبندی کردن دادهها هستند، به گونهای که اعضایهر گروه از زاویهی خاصی با هم شباهت داشته باشند و با اعضای دیگر گروهها یا خوشهها، شباهتی نداشته و یا از شباهت کمتری برخوردار باشند. از جمله مشخصات مطلوب یک الگوریتم خوشهبندی، قابلیت مقیاسپذیری، توانایی مواجهه با انواع دادهها، استخراج خوشهها به هر شکل دلخواه،توانایی مقابله با دادههای نویزی و نادرست، عدم حساسیت به ترتیب ورود دادهها، عدم نیاز به پارامترهای ورودی، پذیرش دادههایی با ابعاد بالا و قابل فهم بودن نتایج الگوریتم است. در این تحقیق، به بررسی انواع روشهای خوشهبندی، آشنایی با الگوریتمهای موجود در هر روش، بررسی و مقایسه ویژگیهای هر یک و معیارهای ارزیابی آنها پرداخته میشود.

کلیدواژه ها:

خوشهبندی ، داده کاوی ، معیارهای ارزیابی خوشهبندی ، شاخص خارجی خوشهبندی ، شاخص داخلی خوشهبندی