مروری بر روشهای انتخاب نقاط اولیه در الگوریتم k-means

یکی از تکنیکهای کشف دانش برای آشکار ساختن ساختارها در دادهها، خوشه بندی است که به طور گسترده ای مورد استفاده قرار میگیرد. در الگوریتمهای خوشه بندی، انتخاب یک روش مناسب برای انتخاب مراکز خوشه های اولیه بسیار مهم است و تاثیر مستقیم در شکل سیری خوشه های نهایی دارد. از آنجا که خوشه ها در گروه هایی با فضای ویژگی از هم جدا هستند، مطلوب است مراکز اولیه به گونه ای انتخاب شوند که کاملا از هم یکدیگر مستقل باشند. در این مقاله، به بررسی روشهایی که برای محاسبه مراکز خوشه اولیه در الگوریتم k-means پیشنهاد شده است، می پردازیم.

کلیدواژه ها:

نقاط آغازین در k-means ، نقاط خوشه بندی ، الگوریتم k-means