|
Title
|
بهبود الگوریتم J-Means با استفاده از الگوریتم سیستم ایمنی مصنوعی
|
|
Type of Research
|
Thesis
|
|
Keywords
|
خوشه بندی، الگوریتم J-Means، الگوریتم K-Means، الگوریتم های فراابتکاری، الگوریتم سیستم ایمنی مصنوعی
|
|
Abstract
|
الگوریتم های خوشه بندی دسته ای از روش های یادگیری بدون ناظر در علم داده و یادگیری ماشین هستند، که هدفشان گروه بندی داده ها به خوشه هایی است که اعضای هر خوشه از نظر ویژگی ها به یکدیگر شباهت بیشتری دارند و بین خوشه ها تمایز قابل توجهی وجود دارد. یکی از محبوب ترین و ساده ترین الگوریتم های خوشه بندی، الگوریتم K-Means است که با تعیین تعداد خوشه ها (K) به صورت پیش فرض، داده ها را به K گروه تقسیم می کند. این الگوریتم با انتخاب تصادفی K مرکز اولیه شروع می کند و سپس هرداده را به نزدیک ترین مرکز اختصاص می دهد؛ پس از آن مراکز خوشه ها با میانگین داده های اختصاص یافته به آن ها به روزرسانی می شوند، این فرآیند تا زمانی انجام می گیرد که مراکز خوشه ها تغییر نکنند یا تغییر جزئی داشته باشند. الگوریتم J-Means که در واقع یکی از گسترش ها یا بهینه سازی های الگوریتم K-Means است، با هدف بهبود عملکرد و دقت خوشه بندی توسعه یافته است و سعی دارد با روش های خاصی مانند استفاده از معیارهای بهینه تر برای به روز رسانی مراکز یا انتخاب خوشه ها، نتایج بهتری ارائه دهد. این الگوریتم در کاربردهایی که داده ها ساختار پیچیده تری دارند یا نیاز به دقت بیشتری در خوشه بندی وجود دارد، مورد استفاده قرار می گیرد....
|
|
Researchers
|
(Student)، Alireza Rouhi (Primary Advisor)، Asgarali Bouyer (Advisor)
|