بهبود الگوریتم خوشه بندی K-means با استفاده از مدل برنامه نویسی توزیعی موازی نگاشت /کاهش در داده های حجیم

امروزه، داده ها نه تنها از نظر اندازه، بلکه از نظر تنوع نیز به سرعت رشد نمودهاند و تحلیل این داده های کلان ، کار دشواری است. داده کاوی یکی از شیوه هایی است که میتوان به وسیله آن، اطلاعات مفید و رابطه ی مخفی میان داده ها را استخراج نمود. روش های داده کاوی سنتی، از آنجاییکه با مشکلاتی در تحلیل داده های کلان مواجه می شوند، نمی توان بطور مستقیم بر روی داده های کلان بکار برد. خوشه بندی یکی از مهم ترین شیوه هایی است که برای داده کاوی استفاده می شود، که در آن داده کاوی از طریق یافتن خوشه هایی که دارای دسته های مشابه داده هستند، انجام می گیرد. در همین حال، مدل برنامه نویسی توزیعی موازی نگاشت / کاهش ، پلتفرمی برای برنامه نویسی موازی است که به طور گستردهای در انواع زمینههای پردازش داده استفاده میشود. در اینجا، ما الگوریتم خوشهبندی k-means بهینه توسط نگاشت / کاهش را طراحی میکنیم. ما در بهبود الگوریتم k-means به صورت موازی و همراه با چارچوب نگاشت / کاهش عمل میکنیم. بدین منظور از کدنویسی در نرم افزار متلب استفاده شده است. تجزیه و تحلیل نظری و نتایج تجربی نشان میدهند که الگوریتم بهبود یافته نسبت به الگوریتم خوشه بندی K-means و دیگر الگوریتم بهبود یافتهkmeans که بر پایه خلاصه سازی دادههای ورودی ارتقاء داده شده است، نتایجی با کیفیت بالاتر و تکرار کمتری را دارا میباشند

کلیدواژه ها:

خوشه بندی ، کلان داده ، K-means ، نگاشت / کاهش