خوشه بندی

در تجزیه و تحلیل خوشه یا خوشه بندی، گروه بندی مجموعه ای از اشیاء انجام می شود، اینکار به این صورت است که اشیاء در یک گروه ( به نام خوشه ) در مقایسه با دیگر دسته ها ( خوشه ها ) مشابه تر هستند. این وظیفهٔ اصلی داده کاوی اکتشافی است و یک روش معمول برای تجزیه و تحلیل داده های آماری است که در بسیاری از زمینه ها از جمله یادگیری ماشین، تشخیص الگو، تجزیه و تحلیل تصویر، بازیابی اطلاعات، بیوانفورماتیک، فشرده سازی داده ها و گرافیک کامپیوتری استفاده می شود.
تجزیه و تحلیل خوشه ای خود یک الگوریتم خاص نیست، بلکه روند کلی است و می تواند توسط الگوریتم های مختلفی به دست آید که در درک آنچه که یک خوشه را تشکیل می دهند و نحوهٔ کارآمدی آن ها را پیدا می کند.
اصطلاحات خوشه ها شامل گروه هایی با فاصله های کم بین اعضای خوشه، مناطق متراکم فضای داده، فواصل یا توزیع های آماری خاص است؛ بنابراین خوشه بندی می تواند به عنوان یک مسئله بهینه سازی چند هدفه صورت گیرد. الگوریتم خوشه بندی مناسب و تنظیمات پارامتر ( از جمله پارامترهایی مانند تابع فاصله مورد استفاده، آستانه تراکم یا تعداد خوشه مورد انتظار ) بستگی به تنظیم مجموعه داده ها توسط فرد و استفادهٔ خاص فرد از نتایج دارد. تجزیه و تحلیل خوشه ای یک روش اتوماتیک نیست، بلکه یک فرایند تکراری از کشف دانش یا بهینه سازی چند هدفهٔ تعاملی است که شامل آزمایش و شکست است. اغلب لازم است که داده های پیش پردازش شده و پارامترهای مدل اصلاح شوند تا نتیجه حاصل، همان نتیجهٔ دلخواه باشد.
افزون بر اصطلاحات خوشه بندی، تعدادی از اصطلاح با معانی مشابه وجود دارد، از جمله طبقه بندی خودکار، طبقه بندی عددی، روش شناسی و تجزیه و تحلیل توپولوژیکی. تفاوت های کم اغلب در نتایج استفاده می شود: در داده کاوی، نتیجه گروه ها مورد توجه هست و در طبقه بندی خودکار، قدرت تشخیصی مورد توجه است.
تجزیه و تحلیل خوشه ای در انسان شناسی توسط Driver و کروبر در سال ۱۹۳۲ آغاز شد و در روان شناسی توسط زوبین در سال ۱۹۳۸ و رابرت تراین در سال ۱۹۳۹[ ۱] [ ۲] معرفی شد و در سال ۱۹۴۳[ ۳] برای طبقه بندی نظریهٔ رفتاری در روانشناسی شخصیت توسط ریموند کاتل استفاده شده است.
مفهوم «خوشه» را دقیقاً نمی توان تعریف کرد، یکی از دلایلش این است که الگوریتم های خوشه بندی زیادی وجود دارد. [ ۴] همهٔ آن ها یک قسمت مشترک دارند و آن یک گروه از اشیاء داده است. با این حال، محققان از مدل های مختلف خوشه استفاده می کنند و برای هر یک از این مدل های خوشه، الگوریتم های مختلفی را می توان ارائه داد. مفهوم یک خوشه، همان طور که توسط الگوریتم های مختلف یافت می شود، به طور خاصی در خواص تفاوت دارند. درک این مدل های خوشه، کلید فهمیدن تفاوت بین الگوریتم های مختلف است. مدل های خوشه ای معمول عبارتند از: