تفاوت خوشهبندی با طبقهبندی این است که هیچ متغیر هدفی برای خوشهبندی وجود ندارد. خوشهبندی برای طبقهبندی ، تخمین یا پیشبینی مقدار متغیر هدف تلاش نمیکند.
هدف همهی روشهای خوشهبندی، شناسایی گروههایی از رکوردهاست که شباهتشان داخل گروه خیلی زیاد است ، در حالی که شباهتشان با رکوردهای سایر گروهها خیلی کم است. به عبارت دیگر ، الگوریتمهای خوشهبندی سعی میکنند تا خوشههایی از رکوردها بسازند که اختلاف بین خوشهای (BCV) در مقایسه با اختلاف درون خوشهای (WCV) بزرگ باشد.
الگوریتم های خوشه بندی ، سلسله مراتبی یا غیر سلسله مراتبی هستند. در خوشهبندی سلسله مراتبی ، یک ساختار خوشهای درخت مانند از طریق تفکیک کردن بازگشتی (روش های تقسیم کننده) یا ترکیب خوشههای موجود (روش های جمع کننده) ، ایجاد میشود.
پاورپوینت حاضر با عنوان خوشه بندی حاوی مطالب زیر می باشد. سه الگوریتم خوشه بندی سلسله مراتبی، K-Means و C-Means Fuzzy بصورت کامل توضیح داده شده اند و برای درک بهتر این الگوریتمها مثالهای آورده شده است.
1. Introduction (معرفی)
2. Hierarchical Clustering ( الگوریتم خوشه بندی سلسله مراتبی)
3. K-Means Clustering ( الگوریتم خوشهبندیK-Means )
4. Fuzzy C-Means Clustering (الگوریتم فازی C-Means )
5. Clustering Codes in MATLAB (کدهای خوشه بندی در MATLAB)
6. References (منابع)
Copyright - Developed By Alpar ©