Empirical Analysis of Data Clustering Algorithms

خوشه بندی انجام می شود تا بینش هایی را که داده ها را جمع آوری می کند انجام دهد و حجم آن برای تجزیه و تحلیل توسط انسان ها مشکل ساز است. به همین علت، الگوریتم خوشه بندی به عنوان ابزار یادگیری متا برای انجام تجزیه و تحلیل اطلاعات اکتشافی تبدیل شده است. خوشه به عنوان مجموعه ای از اشیاء تعریف شده است که دارای درجه بالایی از شباهت به یکدیگر هستند در مقایسه با اشیاء که در یک مجموعه نیستند. با این حال، ابهام در مورد متریک شباهت مناسب برای خوشه بندی وجود دارد. برای اندازه گیری شباهت از قبیل فاصله اقلیدس، چگالی در فضای داده و غیره، چندین معیار پیشنهاد شده است. خوشه بندی یک مشکل بهینه سازی چند هدفه. در این مقاله رویکردهای مختلف خوشه بندی از منظر نظری مورد مطالعه قرار گرفته است تا درک ارتباط آنها در زمینه مجموعه داده های عظیم و تجربی آن ها بر روی معیارهای مصنوعی مورد آزمایش قرار گیرد تا نقاط قوت و ضعف آنها را برجسته سازند.