ارائه ی یک الگوریتم خوشه بندی ترکیبی با استفاده از k- میانگین هارمونیک و مراکز فازی

در داده کاوی شیوه ای که غالب برای پردازش داده استفاده می شود، خوشه بندی است. یکی از مشکلات مطرح در الگوریتم های خوشه بندی، عدم سازگاری نتایج با توجه به مقدار دهی اولیه برای تعداد خوشه ها است. الگوریتم خوشه بندی –k میانگین هارمونیک به منظور رفع این مشکل بر روی داده های عددی به خوبی عمل می کند. با این وجود هم چنان بر روی داده های ترکیبی با ویژگی های رسته ای عملکرد خوبی از خود نشان نمی دهد. در این مقاله روش خوشه بندی –k هارمونیک که واریانسی از شیوه –kمیانگین معروف است. بر روی داده های ترکیبی همراه با تعاریفی از مراکز فازی خوشه و مقیاس فاصله ی ارائه شده است که هر دوی آن ها با تابع هزینه الگوریتم خوشه بندی –k میانگین هارمونیک در الگوریتم پیشنهادی استفاده می شوند. نتیجه آزمایش ها روی مجموعه داده های رسته ای خالص و ترکیبی نشان می دهد که الگوریتم پیشنهادی به خوبی روی مقدار دهی تصادفی و یا غیردقیق مرکز خوشه، عملکرد بهتری در مقایسه با –k میانگین هارمونیک دارد. حتی در حالتی که خوشه های تولید شده ویژگی های ترکیبی و متفاوت داشته باشند، این روش موثرتر بوده و نتایج خوشه بندی بهتری را تولید می کند.