مقایسه الگوریتم خوشه بندی افزایشی Kmeans با الگوریتم خوشه بندی افزایشی DBSCAN
Paper ID : 1017-ICTCK (R3)
Authors:
1فرشته سادات حسینی *, 2مهرداد جلالی, 3محمد حسین معطر
1دانشگاه فردوسی مشهد
2دانشگاه آزاد اسلامی
3معاونت آموزشی گروه فناوری اطلاعات
Abstract:
‫ امروزه خوشه بندی داده های پویا با ابعاد بالا یک مساله چالش برانگیز است . اغلب الگوریتم های خوشه بندی موجود مبتنی بر ارتباط ایستا در میان‬
‫داده ها هستند . خوشه بندی پویا مکانیزمی است که خوشه ها را در محیطهای زمان واقعی کشف میکند . در محیط های پویا غیرممکن است که همه داده ها‬
‫قبل از شروع خوشه بندی جمع شوند ، وقتی داده جدید می اید خوشه بندی غیر افزایشی مجبور است که دوباره خوشه بندی کند داده ها را که این کارایی را‬
‫پایین می اورد . در حالی که خوشه بندی افزایشی فقط نیاز است که داده های جدید را گروه بندی کند و کلاسترهای جدید را به روز کند .‬
‫الگوریتم خوشه بندی افزایشی ‪ Kmeans‬و الگوریتم خوشه بندی افزایشی ‪ DBSCAN‬دو روش خوشه بندی مهم و عمومی برای دیتاست های پویا هستند‬
‫.کارایی الگوریتم خوشه بندی افزایشی ‪ Kmeans‬و الگوریتم خوشه بندی افزایشی ‪ DBSCAN‬از نظر تحلیل زمانی بسیار متفاوت است .در این مقاله الگوریتم‬
‫خوشه بندی افزایشی ‪ Kmeans‬و الگوریتم خوشه بندی افزایشی ‪ DBSCAN‬پیاده سازی شده اند و از نظر کارایی و تحلیل زمانی بر روی پنج دیتاست عمومی‬
‫ارزیابی شده اند ‬
Keywords:
خوشه بندی افزایشی ، مبتنی بر چگالی ، DBSCAN ، Kmeans ، داده های پویا
Status : Paper Accepted