بررسی کاربرد الگوریتم K-means در فرآیند خوشه بندی داده های بزرگ

عصر داده های بزرگ آغازشده است. داده ها با سرعت فراوانی ازنظر اندازه و تنوع در حال افزایش هستند. با رشد داده ها، چالش ها و تفاوت هایی برای این میزان داده به بار آمده است. داده های بزرگ نشان از ویژگی های متفاوت همچون حجم، تنوع، تغییرپذیری، ارزش، سرعت و پیچیدگی دارند که بر آن اساس آنالیز داده ها و کسب اطلاعاتی با تکنیک های داده کاوی بسیار دشوار است. استخراج داده روشی است برای خارج کردن داده های مفید، اما رویکردهای کلاسیک استخراج داده ها به علت پیچیدگی زیاد نمیتوانند به طور مستقیم برای داده های بزرگ مورد استفاده قرار گیرند. خوشه بندی از روش های مهم درداده کاوی است که به دلیل نزدیک بودن با مسائل طبیعی در بسیاری از زمینه ها موردتوجه قرارگرفته است. یکی از مهمترین الگوریتم های خوشه بندی که به طور گسترده به کار میرود الگوریتم k-means است. الگوریتم فوق کاربردهای بسیاری در زمینه های مختلف علمی و صنعتی دارد. الگوریتم خوشه بندی K-means علیرغم سادگی یک روش پایه برای بسیاری از روش های خوشه بندی دیگر مانند خوشه بندی فازی محسوب میشود. این روش روشی انحصاری و مسطح محسوب میشود برای این الگوریتم شکل های مختلفی بیان شده است. ولی همه آنها دارای روالی تکراری هستند.

کلیدواژه ها:

داده های بزرگ ، خوشه بندی ، الگوریتم k-means ، داده کاوی