الگوریتم DBSCAN بهبودیافته برای داده های بزرگ پزشکی

در دهه اخیر تولید داده با رشد چشمگیری مواجه شده که این داده ها از منابع مختلف مانند دستگاه های تلفن همراه، شبکه هایاجتماعی، شبکه های حسگر بی سیم و غیره در حال تولید می باشند. مدیریت این حجم زیاد از داده ها به یک چالش بزرگ در عصر حاضر تبدیلشده است. خوشه بندی داده ها به عنوان یک راه حل مطرح می شود که داده ها را براساس شباهتشان گروه بندی می کند. دو روش رایج در خوشه-بندی، الگوریتم های DBSCAN و K-means هستند. هر کدام از این روشها مزایا و معایبی دارند که یکی از معایب سرعت اجرای نسبتا کند، آنهادر داده های بزرگ است. ما در این مقاله الگوریتم DBSCAN بهبودیافته ای را ارائه داده ایم که بر مبنای دو روش بالا می باشد. نتایج نشان می دهدروش پیشنهادی ما در عین حفظ کیفیت از نظر سرعت بهتر از الگوریتم DBSCAN عم می کند.

کلیدواژه ها:

الگوریتم DBSCAN ، الگوریتم K-means ، خوشه بندی ، داده های بزرگ