چکیده:
اﻣﺮوزه ﺧﻮﺷﻪﺑﻨﺪی ﺑﻪ ﻋﻨﻮان ﯾﮏ روش ﯾﺎدﮔﯿﺮی ﺑﺪون ﻧﺎﻇﺮ در ﮐﺎرﺑﺮدﻫﺎی ﺑﺴﯿﺎری ﺗﻮاﻧﺴﺘﻪ اﺳﺖ ارزش ﺧﻮد را ﻧﺸﺎن دﻫﺪ. ﯾﮑﯽ از روﺷﻬﺎی ﺣﯿﺎﺗﯽ ﮐﻨﺘﺮل و ﻣﺪﯾﺮﯾﺖ داده ﻫﺎ، ﮐﻼس ﺑﻨﺪی ﯾﺎ ﮔﺮوه ﺑﻨﺪی داده ﻫﺎﯾﯽ ﺑﺎ ﺧﻮاص ﻣﺸﺎﺑﻪ درون ﻣﺠﻤﻮﻋﻪ ای از دﺳﺘﻪ ﻫﺎ ﯾﺎ ﺧﻮﺷﻪ ﻫﺎ ﻣﯽ ﺑﺎﺷﺪ. ﺑﺮای اﯾﻦ ﻣﻨﻈﻮر ﻻزم اﺳﺖ ﮐﻪ اﻟﮕﻮﻫﺎﯾﯽ ﺑﺎ ﺑﯿﺸﺘﺮﯾﻦ ﻣﯿﺰان ﺷﺒﺎﻫﺖ، در ﯾﮏ ﺧﻮﺷﻪ ﻗﺮار ﮔﯿﺮﻧﺪ. روﯾﮑﺮدﻫﺎی اﺻﻠﯽ ﺧﻮﺷﻪ ﺑﻨﺪی ﻋﺒﺎرﺗﻨﺪ از: اﻓﺮازی، ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﯽ، ﻣﺒﺘﻨﯽ ﺑﺮ ﭼﮕﺎﻟﯽ، ﻣﺒﺘﻨﯽ ﺑﺮ ﻣﺸﺒﮏ ﮐﺮدن ﻓﻀﺎ، ﻧﻘﺸﻪ ﻫﺎی ﺧﻮد ﺳﺎزﻣﺎﻧﺪه، ﻣﺘﺎﻫﯿﻮرﺳﺘﯿﮏ. در اﯾﻦ ﭘﺮوژه از ﻣﺪﻟﻬﺎی ﭼﻨﺪ ﺷﺎﺧﺼﻪ اﺳﺘﻔﺎده ﮔﺮدﯾﺪه ﮐﻪ ﺑﻄﻮر ﮐﻠﯽ ﺟﻬﺖ اﻧﺘﺨﺎب ﻣﻨﺎﺳﺒﺘﺮﯾﻦ ﮔﺰﯾﻨﻪ از ﺑﯿﻦ m ﮔﺰﯾﻨﻪ ﻣﻮﺟﻮد ﻣﯽ ﺑﺎﺷﺪ ﻟﺬا ﺗﺼﻤﯿﻢ ﮔﯿﺮﯾﻬﺎی ﭼﻨﺪ ﺷﺎﺧﺼﻪ ﺑﺼﻮرت ﻣﺎﺗﺮﯾﺴﯽ ﻧﻤﺎﯾﺶ داده ﻣﯽ ﺷﻮد ﮐﻪ ﺗﻌﺪاد ﺳﻄﺮﻫﺎی ﻣﺒﯿﻦ ﮔﺰﯾﻨﻪ ﻫﺎی ﻣﻮﺟﻮد و ﺗﻌﺪاد ﺳﺘﻮﻧﻬﺎ ﻣﺒﯿﻦ ﺷﺎﺧﺼﻬﺎی و ﻣﻌﯿﺎرﻫﺎی ﻣﻮﺟﻮد ﻣﯽ ﺑﺎﺷﺪ. ﺳﭙﺲ ﺟﻬﺖ اوﻟﻮﯾﺖ ﺑﻨﺪی ﮔﺰﯾﻨﻪ ﻫﺎی ﻣﻮﺟﻮد از روش ﺗﺎﭘﺴﯿﺲ اﺳﺘﻔﺎده ﮔﺮدﯾﺪ. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻧﻈﺮ ﺳﻨﺠﯽ از ﺧﺒﺮﮔﺎن, ﻣﺘﻮﺳﻂ ﻧﻈﺮات ﺧﺒﺮﮔﺎن در ﺟﺪول ﺗﺼﻤﯿﻢ ﻣﺎﺗﺮﯾﺴﯽ ﺑﺎ اﺑﻌﺎد 19*7 در ﺧﺼﻮص ﺑﺮرﺳﯽ روﯾﮑﺮدﻫﺎی و 19*21 درﺑﺎره روﺷﻬﺎی ﺧﻮﺷﻪ ﺑﻨﺪی ﺗﻮﻟﯿﺪ ﺷﺪ. ﺳﻄﺮ ﻫﺎی ﻣﺎﺗﺮﯾﺲ ﺷﺎﻣﻞ اﻧﻮاع روﯾﮑﺮﻫﺎی ﻣﺨﺘﻠﻒ ﺑﻪ ﺗﺤﻠﯿﻞ ﺧﻮﺷﻪ ای داده ﻫﺎ ﻣﯽ ﺑﺎﺷﺪ و ﺳﺘﻮﻧﻬﺎی ﻣﺎﺗﺮﯾﺲ ﻧﯿﺰ ﺷﺎﻣﻞ 19 ﻣﻌﯿﺎری اﺳﺖ ﮐﻪ ﺑﺮ اﺳﺎس آن ﻣﻌﯿﺎرﻫﺎ ﻣﻨﺎﺳﺐ ﺗﺮﯾﻦ روﯾﮑﺮد و روش ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ از ﻣﻨﻈﺮ ﺗﺴﺖ ﺗﺌﻮری ﺑﺮرﺳﯽ ﻣﯽ ﺷﻮد. ﻧﺘﺎﯾﺞ ﻧﺸﺎن داد ﮐﻪ روﯾﮑﺮد اﻓﺮازی و روشK-means ﻫﻤﭽﻨﺎن اﻟﻮﯾﺖ اول ﺧﻮﺷﻪ ﺑﻨﺪی ﻣﯽ ﺑﺎﺷﺪ.
Clustering as an unmonitered learning method in today's many applications has shown its value. One of the vital ways of controlling and managing data, classifying or grouping data with similar properties are within a set of categories or clusters. For this purpose, it is necessary that the patterns with the highest similarity are in a cluster. The main clustering approaches are: partitioning, hierarchical, density-based, space-based, self-organizing maps, and Heuristic-Meta. Multi-criteria models are used in this project. In general, there are several index available to select the most suitable indices. Therefore, multi-criteria decisions are displayed in a matrix, with the number of columns indicating the indices and existing criteria. The TOPSIS method was then used to prioritize the available criteria. According to an expert opinion poll, the average expert opinion in the 7*19 matrix decision table was developed for reviewing approaches and 19*21 for clustering methods. The matrix rows include various types of approaches to the cluster analysis of the data and the matrix columns also include 19 criteria based on which criteria are considered the most appropriate approach and analysis method from the perspective of the theory test. The results showed that the partitioning approach and K-means method are still the first priority of clustering.
خلاصه ماشینی:
نیم قرن پس از خوشه بندی؛ بررسی و ارزیابی رویکرد ها و روشهای خوشه بندی با تجزیه و تحلیل تصمیم گیری چند معیاره عباس سرافرازی 1 دانشجوی دکتری مهندسی صنایع و مربی، دانشگاه پیام نور، تهران، ایران چکیده امروزه خوشهبندی به عنوان یک روش یادگیری بدون ناظر در کاربردهای بسیاری توانسته است ارزش خود را نشان دهد.
سطر های ماتریس شامل انواع رویکرهای مختلف به تحلیل خوشه ای داده ها می باشد و ستونهای ماتریس نیز شامل 19 معیاری است که بر اساس آن معیارها مناسب ترین رویکرد و روش تجزیه و تحلیل از منظر تست تئوری بررسی می شود.
/ 35- شکل 1- خوشه بندی نمونه های ورودی در این شکل نمونهای از اعمال خوشهبندی روی یک مجموعه از دادهها مشخص شده است که از معیار فاصله به عنوان عدم شباهت بین دادهها استفاده شده است (مورتی، 1999).
2-2-1-روشهای افرازی افراز از این داده های اشیا درست می کند به طوریکه هر افراز یک خوشه شی داریم یک روش افرازی،n فرض کنید یک پایگاه داده با k گروه خوشه بندی شده و دارای دو شرط زیر می باشد: .
(رجوع شود به تصویر صفحه) شکل 4- قالب پژوهشی ارزیابی روشهای خوشه بندی 3-5- تحلیل با استفاده از تصمیم گیری های چند معیاره تصمیمگیریها بر دو دسته هستند که دسته اول تصمیمگیری بر اساس چند معیار و دسته دوم تصمیمگیری بر اساس چند هدف متفاوت است.
سطر های ماتریس شامل انواع رویکرهای مختلف به تحلیل خوشه ای داده ها می باشد و ستونهای ماتریس نیز شامل 19 معیاری است که بر اساس آن معیارها مناسبترین رویکرد و روش تجزیه و تحلیل از منظر تست تئوری بررسی می شود.