مقایسه انواع روش های خوشه بندی

مقایسه انواع روش های خوشه بندی

سازماندهی داده ها به گروه های مشهود یکی از کارهای اساسی برای درک و یادگیری است. در همین راستا، آنالیز خوشه یک مطالعه ی نرمال از روش ها و الگوریتم ها برای گروه بندی یا خوشه بندی اشیاء با توجه به شباهت یا خصوصیات ذاتی اندازه گیری شده یا درک شده، می باشد. هدف خوشه بندی پیدا کردن ساختار در داده ها و اکتشاف در ذات داده ها است. خوشه بندی یکی از مسائل مهم در حوزه ی یادگیری ماشین و داده کاوی است که توجه بسیاری از پژوهشگران را به خود جلب کرده است.

یافتن یک الگوریتم خوشه بندی جامع که بتواند در تمامی مسائل موجود بهترین جواب را ارائه دهد، امری مشکل می باشد. مشکل بودن مساله ی خوشه بندی را می توان ناشی از عواملی چون ذات بدون ناظر بودن آن و اهداف متفاوت خوشه بندی در علوم و کاربردهای مختلف دانست. عدم آگاهی الگوریتم های خوشه بندی از هدف خوشه بندی و ساختار واقعی داده ها سبب می شود که این روش ها بدون هیچ گونه دانشی از مسأله و با درنظر گرفتن فرض های خاص تلاش در حل مسأله نمایند و این امر در صورت عدم تطابق میان فرض و هدف خوشه بندی یا ساختار واقعی داده ها، سبب تولید جواب های نامناسب خواهد شد. با این وجود، طیف گسترده ی الگوریتم های خوشه بندی در مسائل دنیای واقعی با پیش فرض هایی در مورد هدف خوشه بندی و ساختار داده ها سعی در حل مسأله نموده اند. به همین منظور، این مطالعه مروری قصد دارد به معرفی و سپس بررسی و مقایسه روش های مختلف خوشه بندی بپردازد.