تحلیل و بررسی متدهای کلاسیک خوشه بندی پارتیشنال

سال انتشار: 1396
محل انتشار: کنفرانس بین المللی مدیریت کاربردی وچابک سازی سازمانی
کد COI اختصاصی: ICAMAO01_024
زبان مقاله: فارسی
تعداد مشاهده: 532

نویسندگان

استاد ، عضو هییت علمی دانشکده ی علوم اقتصادی واداری ،دانشگاه مازندران، بابلسر،ایران

دانشجوی کارشناسی ارشد مدیریت بازرگانی-مالی ،موسسه آموزش عالی خزر،محمودآباد،ایران

چکیده

امروزه خوشه بندی یکی از پرکاربردترین مسایل در زمینه هوش مصنوعی به شمار می آید. همچنین قابلیت آن درورود به فضای داده وتشخیص ساختار آنها، خوشه بندی را به یکی از ایده ال ترین مکانیزم ها برای کار با حجم عظیم دادهها تبدیل کرده است. روش های خوشه بندی یک رهیافت متداول برای تصمیم گیری ها یا طبقه بندی هایی که می تواندتصمیمات نمادینی را به نمونه های جدید با استفاده از نمونه های موجود منتسب کند ارایه می دهند. به همین دلیل روشهای خوشه بندی به واسطه ی قابلیت درکی که در خود دارند از اقبال خوبی برخوردار شده اند وحایز اهمیت می باشند. دراین مقاله مطالعات انجام شده در داخل و خارج از کشور که در زمینه خوشه بندی وتکنیک های آن انجام شده اند موردبررسی قرار گرفته است. و روش تحقیق مقاله حاضر به صورت تحلیلی – توصیفی و مطالعات کتابخانه ای می باشد. هدفاین مقاله بررسی وتحلیل خوشه بندی پارتیشنال و الگوریتم های k-medoid و k-means وارایه پیشنهادهایی برای بهبود این تکنیک ها می باشد. در این مقاله سعی شده است ضمن بیان مفاهیم خوشه بندی با بررسی وتحلیل روش خوشهبندی پارتیشنال وتکنیک های کامینز وکامدوید و نکات بدست آمده و پیشنهاد تکنیک هایی برای بهبود آنها ، بتوان با توجهبه نوع وحجم داده ها ،اهداف وکاربرد مساله ، مناسب ترین الگوریتم را برای خوشه بندی انتخاب کرد.

کلیدواژه ها

خوشه بندی ، خوشه بندی پارتیشنال، k-means ،k-medoid

مقالات مرتبط جدید

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.