مروری بر الگوریتم های خوشه‌بندی پایه

خوشه‌بندی از وظایف بسیار مهم در آمار، شناسایی الگو، داده کاوی و یادگیری ماشین محسوب می‌شود. هدف خوشه‌بندی این است که مجموعه ای از اشیا داده‌ای را به چندین دسته گروه بندی کند، به طوری که اشیا داده درون یک دسته حداکثر شباهت را با یکدیگر و حداکثر تفاوت را با سایر اشیا داده درون دسته های دیگر داشته باشند. به هر یک از این دسته ها یک خوشه گفته می شود. اغلب در تعریف خوشه بندی فرض می شود که هر داده باید متعلق به حداقل یک خوشه (یعنی خوشه بندی کل داده ها باید انجام شود و نه بخشی از آن) و حداکثر یک خوشه (یعنی خوشه ها باید بدون همپوشانی باشند) باشد. چنان که گفته شد، هر دسته یا گروه را یک خوشه و فرآیند یافتن مجموعه ای از خوشه ها را خوشه بندی گوییم. به کل خوشه ها در کنار یکدیگر یک افراز و به مجموعه ای از افرازها مجمع می گوییم. این مقاله مروری بر روش خوشه‌بندی پایه ارائه شده خواهیم داشت و سپس نتایج بررسی‌ها ارائه خواهد شد.