تکنینکهای خوشه بندی

عنوان مقاله: تکنینکهای خوشه بندی CLUSTERING TECHNIQUES

قالب بندی: word

تعداد صفحات: 33

شرح مختصر:

هدف این گزارش فراهم کردن مطالعه ای جامع، از تکنیکهای متفاوت خوشه بندی، در داده کاوی است. خوشه بندی, تقسیم داده ها به گروههایی از اشیا مشابه است. هر گروه، خوشه نامیده می شود، که اشیاء هر خوشه به یکدیگر شبیه بوده ونسبت به اشیاء دیگر خوشه ها شبیه نیستند. نمایش داده ها با تعداد خوشه های کم، به الزام باعث از بین رفتن جزئیاتخواهد شد (شبیه از دست رفتن اطلاعات، در فشرده سازی)، اما این کار باعث ساده سازی مسائل می شود. تکنیک خوشه بندی، تعداد زیادی از اشیاء داده ای را با تعداد کمی خوشه، نمایش می دهد، بنابراین این تکنیک، داده ها را با خوشه های شان مدل می کند. به لحاظ مدلسازی داده ها ریشه های ایجاد تکنیک خوشه بندی، ریاضیات، آمار و آنالیزعددی می باشد. ازدیدگاه یادگیری ماشین ، خوشه ها مترادف با الگوهای مخفی ، جستجو برای یافتن خوشه ها یعنی یادگیری بی سرپرست ، و سیستم حاصل بیانگر مفهوم داده ، می باشد. بنابراین، خوشه بندی یادگیری بی سرپرست مفهوم داده مخفی،می باشد.

داده کاوی با پایگاه داده های بزرگ، نیازهای سخت محاسباتی به تکنیک آنالیز خوشه ها تحمیل می کند. این چالش و راه حل های ارائه شده برای آن در داده کاوی، مورد توجه این گزارش می باشد.

فهرست مطالب:

١- مقدمه

٢- معرفی داده کاوی

2-1 چه چیزی سبب پیدایش داده کاوی شده است؟

2-2داده کاوی چیست؟

2-3چه نوع الگوهایی با داده کاوی قابل دریافت هستند؟

٣- تکنیکهای داده کاوی

3-1 تکنیک توصیف مشخصه

3-2 آنالیز تداعی

3-3 کلاس بندی و پیش بینی

3-4 آنالیز خوشه ها

3-5 آنالیز عدم توافق

3-6 آنالیز سیر تکامل

4- تکنیک خوشه بندی

4-1 علائم نشانه گذاری

4-2 شرح مختصر تاریخجه تکنیک خوشه بندی

4-3 دسته بندی الگوریتمهای خوشه بندی

4-4 شرح دسته بندی الگوریتمهای خوشه بندی

4-5 نتایج مهم

۵- خوشه بندی سلسله مراتبی

5-1 اندازهء اتصال

5-2 خوشه بندی سلسله مراتبی با اشکال دلخواه خوشه

5-3 افراز تقسیمی دودویی

5-4 دیگر توسعه ها

6-روشهای افرازی بازمکانی

6-1 خوشه بندی احتمالاتی

6-2روشهای مبتنی بر k- میانه

6-3 روشهای مبتنی برk-متوسط

٧- افراز بر اساس تراکم

7-1اتصال مبتنی برتراکم

7-2تابع تراکم

٨- جمع بندی