مقایسه شاخص دیویس-بولدین با فاصله درون خوشه ای در خوشه بندی داده ها

خوشه بندی یک روش غیرمستقیم است که علیرغم سادگی میتوان آن را به عنوان مهمترین مسیله در یادگیری بدون نظارت در نظر گرفت الگوریتمهای خوشه بندی تلاش میکنند تا داده های مشابه را در یک دسته قرار دهند. (که به هر کدام از این دسته ها خوشه1 گفته می شود.)در این ارایه برای خوشه بندی داده ها از مسیله بهینه سازی چندمیانگین 2استفاده شده و در آن از شاخص دیویس-بولدین3 و فاصله درون خوشه ای4 به عنوان تابع هزینه استفاده شده و سپس با استفاده الگوریتم فراابتکاری5 کلونی زنبور مصنوعی مقدار تابع هزینه کاهشیافته است.نتیجه حاصل از این مطالعه نشان میدهد که اگرچه شاخص دیویس-بولدین هر دو پارامتر موثر در ارزیابی خوشه بندی داده ها، یعنی پیوستگی 5 و تفکیک6 را پوشش میدهد اما عملکرد ضعیفتری نسبت به فاصله درون خوشه ای که به پارمتر تفکیک بی توجه است وفقط پیوستگی را پوشش میدهد، دارد.

کلیدواژه ها:

فاصله درون خوشه ای ، شاخص دیویس-بولدین ، الگوریتم کلونی زنبورمصنوعی ، خوشه بندی