ساناز معزی - دانشگاه آزاد اسلامی، واحد مشهد، گروه کامپیوتر، مشهد
مهرداد جلالی - دانشگاه آزاد اسلامی، واحد مشهد، گروه کامپیوتر، مشهد
یحیی فرقانی - دانشگاه آزاد اسلامی، واحد مشهد، گروه کامپیوتر، مشهد

روش خوشه بندی K-Means نوعی روش خوشه بندی مبتنی بر نقطه است که بر فشردگی داخل خوشه ای تکیه دارد در حالی که روش خوشه بندی ماشین بردار پشتیبان (SVC) نوعی روش خوشه بندی مبتنی بر صفحه است که به جداپذیری خوشه ها تکیه دارد. نتایج نشان داده است که دقت خوشه بندی به روش SVC از روش K-Means بهترمیباشد. روش خوشه بندی SVC مبتنی به روش طبقه بندی ماشین بردار پشتیبان (SVM) است. روش طبقه بندی ماشین بردار پشتیبان دوقلو (TWSVM) سرعت و دقت بیشتری نسبت به SVM دارد. ولی مشکل خوشه بندی مبتنی بر TWSVM یا همان TWSVC غیر استاندارد و غیر محدب بودن مدل TWSVC نسبت به یک دسته از متغیرهایش میباشد. لذا، از الگوریتم زمانبر مقعر محدب برای حل مدل نسبت به این دسته از متغیرهایش استفاده میشود.الگوریتم مقعر- محدب علیرغم زمانبر بودن، بدست آوردن بهینه سراسری را نیز تضمین نمیکند. در این مقاله مدلTWSVC جدیدی ارایه می شود که ذاتا نسبت به هر دسته از متغیرهای مدل، محدب و استاندارد میباشد. لذا، الگوریتم سریعی برای حل مدل نسبت به هر دسته از متغیرهایش وجود دارد که رسیدن به بهینه سراسری نسبت به هر دسته از متغیرها را نیز تضمین میکند. نتایج آزمایشات انجام شده برروی مجموعه داده های واقعی مخزن UCI نشان می دهد که دقت و زمان اجرای خوشه بندی به روش پیشنهادی، بهتر از روشهای SVC و TWSVC است.

خوشه بندی بردار پشتیبان، خوشه بندی بردار پشتیبان دوقلو، خوشه بندی مبتنی بر صفحه