خانه / هوش مصنوعی / خوشه بندی / خوشه بندی با الگوریتم های مختلف
خوشه بندی
خوشه بندی

خوشه بندی با الگوریتم های مختلف


هدف این بخش پیاده سازی الگوریتم های k-means و fuzzy c-means بر روی دیتاست های زیر است :
  • iris
  • cancer
  • wine
  • class
  • plants
و همچنین پیاده سازی الگوریتم خوشه بندی گراف fast newman روی دیتاستsample_pajek است.
این پروژه در محیط متلب پیاده سازی شده است .
موارد موجود دراین پروژه  :
  1. پیاده سازی الگوریتم k-means روی 5 دیتاست بالا
  2. پیاده سازی الگوریتم fuzzy c-means روی 5 دیتاست بالا
  3. پیدا سازی الگوریتم Fast newman روی دیتاست sample_pajek
  4. دو معیار اندیس خوشه بندی را انتخاب کرده و خوشه بندی را برای مقادیر مختلف k از 2 تا 10 انجام داده و مقادیر مختلف این معیار ها را رسم میکنیم.و بر اساس این مقادیر توضیح داده میشود که مقدار k مناسب چه مقداری است.و نمودار را رسم میکنیم.
  5. خوشه بندی را برای معیار فاصله کسینوسی تکرار کرده و نتایج را با هم مقایسه میکند و توضیح داده میشود که برای کدام معیار نتایج بهتری به دست میآید.
  6. برای مجموعه دادهای که متغیر اسمی( nominal یا categorical)دارند روش استفاده شده برای مدیریت این متغیر و تبدیل آن  توضیح داده میشود.
  7. الگوریتم خوشه بندی گراف Fastnewman کامل در متلب پیدا سازی شده است.
  8. با استفاده از نرم افزار    gephi  گرافهای زیر را رسم میکینم:
1- Zachary’s karate club
2- American College football
3- Dolphin social network
4- US Air lines
  • گراف های مربوطه از سایت زیر   گرداوری شدند.
http://www-personal.umich.edu/~mejn/netdata/
  • و بعد توسط نرم افزار gephi که  یک نرم افزار قدرتمند در این زمینه است ترسیم شدند.
 برای هر گراف خروجی فایل خروجی نرم افزار را ذخیره کردیم(pdf-jpg) که در صورت لزوم میتوانید با import کردن ان داخل gephi نتیجه را هم اجرا بگیرید.
10000 تومان – خرید

همچنین ببینید

java agent development framework

سیستم چند عامله برای خرید و فروش سهام با کتابخانه Jade

هدف از این پروژه این است که با استفاده از چارچوب نرم افزاری jade یک …

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *