رایانش ابری، داده کاوی، خوشه بندی kmeans با الگوریتم خوشه بندی افزایشی DBSCAN
محل انتشار: سومین کنگره بین المللی فن آوری، ارتباطات و دانش
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,049
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICTCK03_074
تاریخ نمایه سازی: 10 تیر 1396
چکیده مقاله:
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 محیط های 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 کهدوباره خوشه بندی کند داده ها را که این کارایی را پایین می آورد. 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 Kmeans و الگوریتم خوشه بندی افزایشی DBSCAN دو روش خوشه بندی مهم و عمومی برای دیتاست های پویا هستند. کارایی الگوریتم خوشه بندی افزایشی Kmeans و الگوریتم خوشه بندی افزایشی DBSCAN از نظر تحلیل زمانی بسیار متفاوت است. در این مقاله الگوریتم خوشه بندی افزایشی Kmeans و الگوریتم خوشه بندی افزایشی DBSCAN پیاده سازی شده اند و از نظر کارایی و تحلیل زمانی بر روی پنج دیتاست عمومی ارزیابی شده اند.
کلیدواژه ها:
نویسندگان
فرشته سادات حسینی
دانشگاه آزاد اسلامی
مهرداد جلالی
دانشگاه آزاد اسلامی
محمدحسین معطر
دانشگاه آزاد اسلامی
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :