خلاصه درس تدریس یار مبانی محاسبات نرم – دکتر رییسی
خوشه بندی با استفاده از سیستم فازی
هر خوشه یک مرکز دارد که با Mi نشان می دهیم
تفاوت خوشه بندی نرم با خوشه بندی سخت
[image 1 , 2]
داده ای مثل Xi با خوشه ای مثل Ci داریم
در خوشه بندی سخت : اشتراک بین خوشه ها برابر تهی است
الگوریتم خوشه بندی :
معروفترین الگوریتم در حالت کریسپ k-means است
مرحله اول به هر داده یک خوشه را نسبت می دهیم ( به صورت رندوم )
برای هر خوشه با استفاده ار فرمول زیر مرکز را محاسبه می کنیم
میانگین داده ها را به عنوان مرکز خوشه معرفی می کنیم
در k-means از ابتدا باید تعداد خوشه ها مشخص باشد
در C1 داده های مشخصی عضو می شوند و مرکز C1 هم مشخص می
شود
داده های C2 هم مشخص هستند و مرکز C2 هم مشخص می شود
با توجه به مراکز جدید داده ها را مجددا خوشه بندی می کنیم
تا جایی که داده ها در خوشه ها ثابت شوند و دیگر تغییری در خوشه ها
نداشته باشیم
ولی می دانیم که همیشه داده ها ممکن است به یک خوشه تعلق
نداشته باشند و درصدی به خوشه دیگری هم تعلق داشته باشد
که این درجه عضویت مفهوم فازی را تداعی می کند.
FCM : Fuzzy Clustering Method
[img 6]
روی چه چیزی قید بگذاریم ؟
هدف کلی از کلاسترینگ : فاصله بین داده های تا مرکز خوشه مینیمم
باشد ( یعنی norm 2 )
و فاصله بین خوشه های مختلف ماکزیمم باشد
هر چه m در فرمول بزرگتر شود از حالت فازی فاصله می گیریم و
خوشه بندی ها به سمت کریسپ میل می کند
قید داریم که مجموع درجه عضویت ها برای هر داده به خوشه های
مختلف برابر ۱ است
قبل از پردازش خوشه بندی نیاز است که داده های پرت را دریک پیش
پردازش حذف کنیم
روش لاگرانژ :
به تعداد داده ها قیدی داریم که ضریب می خورند بنام لاندا k
.
.
.
کنفرانس انجمن کامپیوتر ایران – فردوسی مشهد را شرکت کنید
http://iccke2014.um.ac.ir/index.php