ارايه روشي براي خوشه بندي متراكم سلسله مراتبي با استفاده از حداقل افزايش حجم

Provides a method for hierarchical dense clustering using at least a volume increase

ما در جهاني پر از داده زندگي مي‌كنيم و هر روز با حجم وسيعي از اطلاعات كه بايد آن¬ها را ذخيره يا نمايش دهيم، روبه-رو هستيم. پردازش داده، يكي از شاخص‌هاي بسيار مهم در دنياي اطلاعات است. اين مقدار رو به رشد از اطلاعات موجب افزايش نياز روزافزون به ابزارهاي خودكار به منظور بررسي و پردازش اين اطلاعات شده است. به طور سنتي، پاسخ داده‌كاوي به اين وضعيت به دو روش طبقه‌بندي و خوشه‌بندي تقسيم مي‌شود. خوشه‌بندي روشي براي تحليل چندمتغيره است. وجود شيوه‌هاي متعدد براي نمايش داده، اندازه‌گيري تشابه بين عناصر داده‌اي و گروه‌بندي آن¬ها باعث شده است كه شيوه‌هاي خوشه‌بندي مختلفي داشته باشيم. روش‌هاي خوشه‌بندي سلسله مراتبي با يك سري از تقسيم بندي‌هاي متوالي انجام مي‌شود، اين روش‌ها را مي¬توان به دو دسته‌ي كلي سلسله مراتبي تقسيمي و متراكم شونده تقسيم كرد. لذا در اين مقاله روشي نوين را براي خوشه¬بندي متراكم (تجمعي) سلسه مراتبي را با استفاده از حداقل افزايش حجم ارايه خواهيم داد. نتايج به دست آمده از اين تحقيق نشان خواهد داد كه روش‌هاي خوشه‌بندي مي‌توانند الگوهاي تفسيري جديدي را كه قبل از خوشه‌بندي اعضا مشخص نشده بودند، آشكار سازند. شايد بتوان گفت، روش خوشه‌بندي سلسله مراتبي متراكم به دليل معرفي يك نماينده براي هر خوشه، موشكافانه‌تر عمل كرده، در حالي كه روش سلسله مراتبي ساده‌تر است. همچنين به نظر مي‌رسد، اعضايي كه براساس تشابهات جايگاه در كنار يكديگر قرار مي‌گيرند، داراي تشابهات عملكردي نيز هستند.

We live in a world that is full of data and every day we face a large volume of information that must save or show them. Data processing is an important index in the world of information. This growing amount of information will increase the growing need for automated tools to evaluate and process the information. Traditionally, the data mining response to this situation is divided in two ways of classification and clustering. Clustering is a method of multivariate analysis. Existing many ways to indicate data, measuring the similarity between data elements and grouping them leads to have different clustering methods. Hierarchical clustering methods are done with a series of successive divisions, these methods can be divided into two general groups of hierarchical and compressed. So, in this study, we will present a new method for hierarchical compressed clustering (cumulative) with a minimum increase in volume. The results of this study will show that clustering methods can reveal clustering patterns that were not clear before members clustering. Perhaps we can say that, hierarchical clustering dense method because of the introduction of a representative for each cluster acts more sophisticated, while the hierarchical method is simpler. It also appears, members who are standing next to each other based on similarities have functional similarities as well.