تحليل و بررسي متدهاي كلاسيك خوشه بندي پارتيشنال

Analyzing And Examining Partitional Clustering Classic Method

امروزه خوشه بندی یكی از پركاربردترین مسائل در زمینه هوش مصنوعی به شمار می آید.همچنین قابلیت آن در ورود به فضای داده وتشخیص ساختار آنها، خوشه بندی را به یكی از ایده ال ترین مكانیزم ها برای كار با حجم عظیم داده ها تبدیل كرده است. روش های خوشه بندی یك رهیافت متداول برای تصمیم گیری ها یا طبقه بندی هایی كه می تواند تصمیمات نمادینی را به نمونه های جدید با استفاده از نمونه های موجود منتسب كند ارائه می دهند. به همین دلیل روش های خوشه بندی به واسطه ی قابلیت دركی كه در خود دارند از اقبال خوبی برخوردار شده اند وحائز اهمیت می باشند. در این مقاله مطالعات انجام شده در داخل و خارج از كشور كه در زمینه خوشه بندی وتكنیك های آن انجام شده اند مورد بررسی قرار گرفته است. و روش تحقیق مقاله حاضر به صورت تحلیلی – توصیفی و مطالعات كتابخانه ای می باشد. هدف این مقاله بررسی وتحلیل خوشه بندی پارتیشنال و الگوریتم های k-medoid و k-means وارائه پیشنهادهایی برای بهبود این تكنیك ها می باشد. در این مقاله سعی شده است ضمن بیان مفاهیم خوشه بندی با بررسی وتحلیل روش خوشه بندی پارتیشنال وتكنیكهای كامینز وكامدوید و نكات بدست آمده و پیشنهاد تكنیك هایی برای بهبود آنها ، بتوان با توجه به نوع وحجم داده ها ،اهداف وكاربرد مساله ، مناسب ترین الگوریتم را برای خوشه بندی انتخاب كرد.

Nowadays, clustering is one of the important subject in artificial intelligence Its capacity in intering to data place and recognizing its structure cause clustering to be one of the ideal mechanism for working with big-sized data. Clustering methods present a common way for deciding or sorting that can relegate symbolic decision to new samples (using present sample). So because of perception capacity, clustering method are popular and important. In this paper , We have examined studies about clustering and its technics that done in Iran and other countries. Present research method is analytical-descriptive and library studies. The aim of this article is examining and analyzing partitioned clustering, k-medoid and k-means algorithm s and present suggestions for improving these technics. at this study, we have tried, by expressing clustering concepts, examining and analyzing partitioned clustering method and k-medoid, k-means algorithm and suggesting technics for improving It (according to data type, data size, usage and purpose), to select the most Suitable algorithm for clustering