مقایسه الگوریتم های خوشه بندی k-means و c-means Fuzzy و کاربردهای این الگوریتم

زهرا هوشمند¹ سید علی عسکر عادلی پور² مرضیه دادور³

1) دانشجویی کارشناسی ارشد گرایش هوش مصنوعی، واحد علوم و تحقیقات بوشهر،ایران
2) دانشجویی کارشناسی ارشد گرایش هوش مصنوعی، واحد علوم و تحقیقات بوشهر،ایران
3) مدرس دانشگاه گرایش هوش مصنوعی ، عضو هیت علمی علوم تحقیقات بوشهر

محل انتشار : دومین کنفرانس بین المللی مهندسی و علوم کاربردی(2iceasconf.com)
چکیده :
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 رفتارکسب 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. تخصیص 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-means و 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 موثراست. FCM محصول بست نتایج خوشه بندی K-means می باشد، اما نیاز به زمان محاسباتی بیشتری نسبت به خوشه بندی K-means دارد.
کلمات کلیدی : کلمات کلیدی: خوشه بندی پیچیدگی زمانی K-means Fuzzy c-means