06-06-2024, 04:17 PM
الگوریتم خوشه بندی یک روش مهم در حوزه هوش مصنوعی است که برای تقسیم داده ها به گروه های مشابه یا خوشه ها بر اساس ویژگی های مشترک استفاده می شود. الگوریتم های خوشه بندی به ما کمک می کنند تا الگوهای مختلف موجود در داده ها را شناسایی کرده و گروه بندی کنیم. کلاسترینگ، اشیاء را براساس ویژگی‌هایی که با هم دارند گروه‌بندی می‌کند. هدف اصلی در خوشه بندی تقسیم بندی اشیاء به گونه‌ای است که بیشترین شباهت در یک گروه و بیشترین تفاوت با اشیاء گروه‌های دیگر را دارا باشد. به عنوان تعریف ساده‌تر می‌توان گفت که اشیاء در خوشه مخصوص خود دارای بیشترین شباهت و در برابر اشیای متعلق به خوشه‌های دیگر دارای بیشترین تفاوت هستند. در کلاسترینگ هر خوشه می‌تواند خود به چند زیر خوشه تبدیل شود. اولین الگوریتم خوشه بندی مدرن به نام K-means در سال 1957 توسط ترور فورگی معرفی شد. اولین استفاده شناخته شده از الگوریتم خوشه بندی مدرن در سال 1960 توسط جوزف وند بود که از الگوریتم K-means برای خوشه بندی داده های مشتریان یک شرکت بزرگ نفتی استفاده کرد. اولین الگوریتم خوشه‌بندی معروف، الگوریتم K-means است که توسط James Mac Queen درسال 1967 تکامل بیشتری یافت و رسما ابداع و استفاده شد. این الگوریتم اصلی برای حل مسائل خوشه‌بندی و دسته‌بندی داده‌ها بر اساس فاصله آن‌ها از مراکز خوشه‌ها مورد استفاده قرار می‌گیرد. استفاده اصلی از این الگوریتم در مسائل داده‌کاوی و تحلیل داده است، اما از آن زمان تاکنون، این الگوریتم و نسخه‌های اصلاح شده آن در بسیاری از حوزه‌های دیگر هوش مصنوعی و محاسبات استفاده شده‌اند.