نگاهی بر روش های خوشه بندی با دو رویکرد کلاسیک و الگوریتم های جمعیت محور

خوشه بندی یکی از شاخه های مطرح در یادگیری بدون ناظر است. آنالیز خوشه، فرآیندی است برای دسته بندینمونه های مشابه درون خوشه ها که اعضای درونی هر خوشه بیشترین شباهت را به یکدیگر و کمترین شباهت را نسبت بهاعضا سایر خوشه ها داشته باشند. در این مقاله نگاهی کلی بر روش های مختلف خوشه بندی با دو رویکرد کلاسیک والگوریتم های مبتنی بر جمعیت صورت گرفته و نیز برخی از مزایا و چالش های موجود در این راستا مطرح گردیده است.رویکرد کلاسیک شامل روش های جزءبندی، روش های سلسله مراتبی، روش های مبتنی بر تراکم، روش های مبتنی برشبکه و روش های مبتنی بر مدل است. رویکرد دیگر، مبتنی بر الگوریتم های جمعیت محور است که برخی از آن ها شاملالگوریتم ژنتیک، الگوریتم مبتنی بر آموزش- یادگیری، الگوریتم کلونی زنبور عسل مصنوعی و الگوریتم ازدحام ذرات مورد مطالعه قرار گرفته است.

کلیدواژه ها:

یادگیری بدون نظارت ، خوشه بندی ، روش های خوشه بندی ، الگوریتم های جمعیت محور