ارائه ی یک الگوریتم ترکیبی بهینه برای خوشه بندی در داده کاوی با استفاده از رویکرد فرا ابتکاری
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 909
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
DSCONF01_070
تاریخ نمایه سازی: 30 بهمن 1394
چکیده مقاله:
خوشه بندی به معنای یادگیری بدون نظارت است که با استفاده از آن داده ها به دسته هایی که از نظر پارامترهای مورد علاقه شباهتبیشتری به یکدیگر دارند تقسیم می گردند. در نتیجه شباهت بین داده های درون هرخوشه حداکثر و شباهت بین داده های درونخوشه های متفاوت حداقل است. خوشه بندی یکی از بهترین روش های کار با داده هاست و قابلیت ورود به فضای داده و تشخیصساختارش را امکان پذیر می نماید لذا به عنوان یکی از ایده آل ترین مکانیزم ها برای کار با دنیای عظیم داده ها محسوب می شود. درواقع خوشه بندی از جمله تکنیک های توصیفی داده کاوی می باشد که بدون هدف از قبل مشخص شده ای الگوها را ازداده هااستخراج می نماید. تاکنون الگوریتم های زیادی برای خوشه بندی داده ها ارائه شدهاست، که هر کدام از این الگوریتم ها با مشکلاتیهمچون بهینه محلی، وابسته بودن به شرایط مساله روبرو هستند. برای مقابله با این مشکلات از ترکیب الگوریتم های فرامکاشفه ایاستفاده می شود. در این پژوهش الگوریتم جدیدی از ترکیب الگوریتم بهینه سازی ژنتیک و الگوریتم K-means برای خوشه بندی داده ها ارائه شده است که ضمن داشتن مزایای هر دو روش، سعی شده نقاط ضعف هر کدام پوشش داده شود. به منظور اعتبارسنجیروش پیشنهادی از چند مجموعه داده مشهور و پر کاربرد استفاده شده است. نتایج حاصل با الگوریتم ها و روش های ترکیبی استخراجشده از مقالات مقایسه شده است.
کلیدواژه ها:
نویسندگان
زهرا امیری
دانشجوی کارشناسی ارشد گروه کامپیوتر، پردیس علوم و تحقیقات، دانشگاه آزاد اسلامی بروجرد، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :