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

مراحل خرید فایل دانلودی
اگر محصول را می پسندید لطفا آنرا به اشتراک بگذارید.

محصولات مرتبط

مجوز ارسال دیدگاه داده نشده است!

0