مقايسه الگوريتم خوشه بندي افزايشي Kmeansبا الگوريتم خوشه بندي افزايشي DBSCAN

امروزه خوشه بندي داده هاي پويا با ابعاد بالا يك مساله چالش برانگيز است . اغلب الگوريتم هاي خوشه بندي موجود مبتني بر ارتباط ايستا در ميان داده ها هستند . خوشه بندي پويا مكانيزمي است كه خوشه ها را در محيطهاي زمان واقعي كشف ميكند . در محيط هاي پويا غيرممكن است كه همه داده ها قبل از شروع خوشه بندي جمع شوند ، وقتي داده جديد مي ايد خوشه بندي غير افزايشي مجبور است كه دوباره خوشه بندي كند داده ها را كه اين كارايي را پايين مي اورد . در حالي كه خوشه بندي افزايشي فقط نياز است كه داده هاي جديد را گروه بندي كند و كلاسترهاي جديد را به روز كند . الگوريتم خوشه بندي افزايشي Kmeans و الگوريتم خوشه بندي افزايشي DBSCAN دو روش خوشه بندي مهم و عمومي براي ديتاست هاي پويا هستند .كارايي الگوريتم خوشه بندي افزايشي Kmeans و الگوريتم خوشه بندي افزايشي DBSCAN از نظر تحليل زماني بسيار متفاوت است .در اين مقاله الگوريتم خوشه بندي افزايشي Kmeans و الگوريتم خوشه بندي افزايشي DBSCAN پياده سازي شده اند و از نظر كارايي و تحليل زماني بر روي پنج ديتاست عمومي ارزيابي شده اند .