تحلیل و بررسی متدهای کلاسیک خوشه بندی پارتیشنال

امروزه خوشه بندی یکی از پرکاربردترین مسائل در زمینه هوش مصنوعی به شمار می آید. همچنین قابلیت آن در ورود به فضای داده و تشخیص ساختار آنها، خوشه بندی را به یکی از ایده ال ترین مکانیزم ها برای کار با حجم عظیم داده ها تبدیل کرده است. روش های خوشه بندی یک رهیافت متداول برای تصمیم گیری ها یا طبقه بندی هایی که می تواند تصمیمات نمادینی را به نمونه های جدید با استفاده از نمونه های موجود منتسب کند ارائه می دهند. به همین دلیل روش های خوشه بندی به واسطه ی قابلیت درکی که در خود دارند از اقبال خوبی برخوردار شده اند و حائز اهمیت می باشند. در این مقاله مطالعات انجام شده در داخل و خارج از کشور که در زمینه خوشه بندی و تکنیک های آن انجام شده اند مورد بررسی قرار گرفته است. و روش تحقیق مقاله حاضر به صورت تحلیلی – توصیفی و مطالعات کتابخانه ای می باشد. هدف این مقاله بررسی و تحلیل خوشه بندی پارتیشنال و الگوریتم های k-medoid  و  k-means و ارائه پیشنهادهایی برای بهبود این تکنیک ها می باشد. در این مقاله سعی شده است ضمن بیان مفاهیم خوشه بندی با بررسی و تحلیل روش خوشه بندی پارتیشنال و تکنیکهای کامینز و کامدوید و نکات بدست آمده و پیشنهاد تکنیک هایی برای بهبود آنها، بتوان با توجه به نوع و حجم داده ها، اهداف وکاربرد مساله، مناسب ترین الگوریتم را برای خوشه بندی انتخاب کرد.