چکیده مقاله
در دنیای امروز که عصر داده های حجیم است، قطعا خوشه بندی به عنوان یکی از مهم ترین روش های حوزه یادگیری ماشین و نیز از رایج ترین ابزارهای داده کاوی بسیار مورد توجه است از این روش برای کنار هم قراردادن مجموعه داده های مشابه و تقسیم این داده ها به زیرمجموعه های مشخص استفاده می شود الگوریتم k means یکی از مشهورترین الگوریتم های خوشه بندی با عملکردی با دقت مناسب است که بسیار مورد توجه می باشد یکی از مهم ترین معایب این الگوریتم که موجب ناکارامدی آن می شود، حساس بودن آن به مقداردهی اولیه مراکز خوشه ها است اگر مراکز خوشه ها به درستی مقداردهی اولیه نشوند، این الگوریتم قادر به یافتن بهینه سراسری نخواهد بود از طرفی الگوریتم های بهینه سازی مبتنی بر هوش جمعی، مانند الگوریتم بهینه سازی ازدحام ذرات 1 از قابلیت بالایی در یافتن بهینه سراسری برخوردار هستند به همین دلیل در این پژوهشسعی بر آن بوده اس تکه با ترکیب این دو الگوریتم روشی کارا برای خوشه بندی داد هها ارائه گردد نتایج ارزیابی روش پیشنهادی روی پایگاه داده های معیار مختلف حکایت از کارایی قابل قبول روش پیشنهادی در مقایسه با سایر روش ها در این حوزه را دارد
کلیدواژهها
نویسندگان
داور گیوکی
دانشکده مهندسی کامپیوتر، دانشگاه ملایر، ملایر، ایران
مهتاب یوسفوند
موسسه آموزش غیرانتفاعی غیردولتی آفرینش بروجرد
شیوه ارجاع
گیوکی، داور و یوسفوند، مهتاب،1398،ارائه یک روش جدید خوشه بندی با استفاده از ترکیب روش های خوشه بندی k-means و PSO،هشتمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات،بابل
ارائهشده در
مجموعه مقالات هشتمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات21 آذر 1398 · بابل