Quantcast
خوشه بندی داده با الگوریتم K-means - دانلود رایگان پاورپوینت آماده - قالب پاورپوینت - دانلود تحقیق

خوشه بندی داده با الگوریتم K-means

خوشه بندی داده با الگوریتم K-means

اندازه: 679.35K

دسته بندی: - -

قیمت: 5000 تومان

تعداد نمایش:4892 بازدید

تعداد اسلاید:28

ارسال توسط:

تاریخ ارسال:۲۶ فروردین ۱۳۹۵

به روز رسانی در:۱۷ دی ۱۳۹۵

خرید این پاورپوینت : پس از پرداخت لینک دانلود برای شما نمایش داده می شود.
ویژگیهای پاورپوینت های پولی(غیر رایگان):کیفیت محتوا بالا ، قالب اختصاصی ،دارای افکت ، هیگونه تبلیغ از سایت و غیره در پاورپوینت نخواهد بود.
به این پاورپوینت امتیاز بدهید.
خوشه بندی داده با الگوریتم K-means مقاله ای مفید در مورد خوشه بندی. ﻳﻜﻲ از روشﻫﺎی ﺣﻴﺎﺗﻲ ﻛﻨﺘﺮل و ﻣﺪﻳﺮﻳﺖ دادهﻫﺎ، ﺧﻮﺷﻪ  ﺑﻨﺪی دادهﻫﺎی ﺑﺎ ﺧﻮاص ﻣﺸﺎﺑﻪ، درون ﻣﺠﻤﻮﻋﻪای از دﺳﺘﻪﻫﺎ ﻣﻲ ﺑﺎﺷﺪ  . ﺧﻮﺷﻪﺑﻨﺪی ﻓﺮآﻳﻨﺪی اﺳﺖ ﻛﻪ در آن ﻣﺠﻤﻮﻋﻪای از اﺷﻴﺎء داده ﺑﻪ ﮔﺮوهﻫﺎی ﻣﺠﺰاﻳﻲ از ﻛﻼسﻫﺎ، ﺧﻮﺷﻪ، ﺗﻘﺴﻴﻢ ﻣﻲﺷﻮﻧﺪ ﺑﻪ ﻃﻮریﻛﻪ اﺷﻴﺎی ﻳﻚ ﻛﻼس ﺗﺎ ﺣﺪ ﻣﻜﺎن ﺑﻪ ﻳﻜﺪﻳﮕﺮ ﺷﺒﻴﻪ ﺑﻮده وﺑﺎ اﺷﻴﺎء دﻳﮕﺮ ﻛﻼسﻫﺎ، ﻣﺘﻔﺎوت ﻣﻲﺑﺎﺷﻨﺪ  . ﺧﻮﺷﻪﺑﻨﺪی در زﻣﻴﻨﻪ  ﻫﺎی ﺑﺴﻴﺎری از ﺟﻤﻠﻪ در ﺷﻨﺎﺳﺎﻳﻲ اﻟﮕﻮ، ﻳﺎدﮔﻴﺮی ﻣﺎﺷﻴﻦ، دادهﻛﺎوی، ﺑﺎزﻳﺎﺑﻲ اﻃﻼﻋﺎت و اﻧﻔﻮرﻣﺎﺗﻴﻚ ﻛﺎرﺑﺮد دارد. ﻳﻜﻲ ازﻛﺎرﺑﺮدیﺗﺮﻳﻦ روشﻫﺎی ﺧﻮﺷﻪﺑﻨﺪی، روش ﺧﻮﺷﻪﺑﻨﺪی KM - k-means اﺳﺖ. اﻟﮕﻮرﻳﺘﻢK-means ﻳﻜﻲ از ﻣﺸﻬﻮرﺗﺮﻳﻦ اﻟﮕﻮرﻳﺘﻢﻫﺎی ﺧﻮﺷﻪﺑﻨﺪی داده ﻣﻲﺑﺎﺷﺪ ﻛﻪ ﺑﻪ دﻟﻴﻞ ﭘﻴﺎدهﺳﺎزی آﺳﺎن و ﺳﺮﻋﺖ ﻋﻤﻠﻜﺮد، ﻣﺤﺒﻮﺑﻴﺖ زﻳﺎدی ﻳﺎﻓﺘﻪ اﺳﺖ اﻣﺎ ﻣﺸﻜﻼﺗﻲ از ﻗﺒﻴﻞ ﺣﺴﺎس ﺑﻮدن ﺑﻪ ﻣﻘﺪار اوﻟﻴﻪ و ﮔﺮﻓﺘﺎر ﺷﺪن در دام ﺑﻬﻴﻨﻪ ﻣﺤﻠﻲ از ﻗﺪرت ﻋﻤﻠﻜﺮد آن ﻣﻲﻛﺎﻫﺪ. ﻫﺪف اﺻﻠﻲ ﺧﻮﺷﻪﺑﻨﺪی KM اﻳﻦ اﺳﺖ ﻛﻪ ﻣﺠﻤﻮع ﻋﺪم ﺗﺸﺎﺑﻪ ﺑﻴﻦ ﺗﻤﺎم اﺷﻴﺎء ﻳﻚ ﺧﻮﺷﻪ از ﻣﺮاﻛﺰ ﺧﻮﺷﻪﻫﺎی ﻣﺘﻨﺎﻇﺮﺷﺎن ﻛﻤﺘﺮﻳﻦ ﺑﺎﺷﺪ. الگوریتم زیر الگوریتم پایه برای این روش محسوب می‌شود: .۱در ابتدا K نقطه به عنوان نقاط مراکز خوشه‌ها انتخاب می‌شوند. .۲هر نمونه داده به خوشه‌ای که مرکز آن خوشه کمترین فاصله تا آن داده را داراست، نسبت داده‌ می‌شود. .۳پس تعلق تمام داده‌ها به یکی از خوشه‌ها و برای هر خوشه یک نقطه جدید به عنوان مرکز محاسبه می‌شود. (میانگین نقاط متعلق به هر خوشه) .۴مراحل ۲ و ۳ تکرار می‌شوند تا زمانی که دیگر هیچ تغییری در مراکز خوشه‌ها حاصل نشود. خوشه بندی داده با الگوریتم K-means
خوب

خوب

امتیاز کاربران: 4.65 ( 4 رای)
90

خوشه بندی داده با الگوریتم K-means

مقاله ای مفید در مورد خوشه بندی.

ﻳﻜﻲ از روشﻫﺎی ﺣﻴﺎﺗﻲ ﻛﻨﺘﺮل و ﻣﺪﻳﺮﻳﺖ دادهﻫﺎ، ﺧﻮﺷﻪ  ﺑﻨﺪی دادهﻫﺎی ﺑﺎ ﺧﻮاص ﻣﺸﺎﺑﻪ، درون ﻣﺠﻤﻮﻋﻪای از دﺳﺘﻪﻫﺎ ﻣﻲ ﺑﺎﺷﺪ  . ﺧﻮﺷﻪﺑﻨﺪی ﻓﺮآﻳﻨﺪی اﺳﺖ ﻛﻪ در آن ﻣﺠﻤﻮﻋﻪای از اﺷﻴﺎء داده ﺑﻪ ﮔﺮوهﻫﺎی ﻣﺠﺰاﻳﻲ از ﻛﻼسﻫﺎ، ﺧﻮﺷﻪ، ﺗﻘﺴﻴﻢ ﻣﻲﺷﻮﻧﺪ ﺑﻪ ﻃﻮریﻛﻪ اﺷﻴﺎی ﻳﻚ ﻛﻼس ﺗﺎ ﺣﺪ ﻣﻜﺎن ﺑﻪ ﻳﻜﺪﻳﮕﺮ ﺷﺒﻴﻪ ﺑﻮده وﺑﺎ اﺷﻴﺎء دﻳﮕﺮ ﻛﻼسﻫﺎ، ﻣﺘﻔﺎوت ﻣﻲﺑﺎﺷﻨﺪ  . ﺧﻮﺷﻪﺑﻨﺪی در زﻣﻴﻨﻪ  ﻫﺎی ﺑﺴﻴﺎری از ﺟﻤﻠﻪ در ﺷﻨﺎﺳﺎﻳﻲ اﻟﮕﻮ، ﻳﺎدﮔﻴﺮی ﻣﺎﺷﻴﻦ، دادهﻛﺎوی، ﺑﺎزﻳﺎﺑﻲ اﻃﻼﻋﺎت و اﻧﻔﻮرﻣﺎﺗﻴﻚ ﻛﺎرﺑﺮد دارد.

ﻳﻜﻲ ازﻛﺎرﺑﺮدیﺗﺮﻳﻦ روشﻫﺎی ﺧﻮﺷﻪﺑﻨﺪی، روش ﺧﻮﺷﻪﺑﻨﺪی KM – k-means اﺳﺖ.

اﻟﮕﻮرﻳﺘﻢK-means ﻳﻜﻲ از ﻣﺸﻬﻮرﺗﺮﻳﻦ اﻟﮕﻮرﻳﺘﻢﻫﺎی ﺧﻮﺷﻪﺑﻨﺪی داده ﻣﻲﺑﺎﺷﺪ ﻛﻪ ﺑﻪ دﻟﻴﻞ ﭘﻴﺎدهﺳﺎزی آﺳﺎن و ﺳﺮﻋﺖ ﻋﻤﻠﻜﺮد، ﻣﺤﺒﻮﺑﻴﺖ زﻳﺎدی ﻳﺎﻓﺘﻪ اﺳﺖ اﻣﺎ ﻣﺸﻜﻼﺗﻲ از ﻗﺒﻴﻞ ﺣﺴﺎس ﺑﻮدن ﺑﻪ ﻣﻘﺪار اوﻟﻴﻪ و ﮔﺮﻓﺘﺎر ﺷﺪن در دام ﺑﻬﻴﻨﻪ ﻣﺤﻠﻲ از ﻗﺪرت ﻋﻤﻠﻜﺮد آن ﻣﻲﻛﺎﻫﺪ.

ﻫﺪف اﺻﻠﻲ ﺧﻮﺷﻪﺑﻨﺪی KM اﻳﻦ اﺳﺖ ﻛﻪ ﻣﺠﻤﻮع ﻋﺪم ﺗﺸﺎﺑﻪ ﺑﻴﻦ ﺗﻤﺎم اﺷﻴﺎء ﻳﻚ ﺧﻮﺷﻪ از ﻣﺮاﻛﺰ ﺧﻮﺷﻪﻫﺎی ﻣﺘﻨﺎﻇﺮﺷﺎن ﻛﻤﺘﺮﻳﻦ ﺑﺎﺷﺪ.

الگوریتم زیر الگوریتم پایه برای این روش محسوب می‌شود:

.۱در ابتدا K نقطه به عنوان نقاط مراکز خوشه‌ها انتخاب می‌شوند.

.۲هر نمونه داده به خوشه‌ای که مرکز آن خوشه کمترین فاصله تا آن داده را داراست، نسبت داده‌ می‌شود.

.۳پس تعلق تمام داده‌ها به یکی از خوشه‌ها و برای هر خوشه یک نقطه جدید به عنوان مرکز محاسبه می‌شود. (میانگین نقاط متعلق به هر خوشه)

.۴مراحل ۲ و ۳ تکرار می‌شوند تا زمانی که دیگر هیچ تغییری در مراکز خوشه‌ها حاصل نشود.

خوشه بندی داده با الگوریتم K-means

پاسخ دهید

*