دیتاماینینگ یار

خوشه بندی سلسله مراتبی(الگوریتم های سلسله مراتبی)

روش های خوشه‌بندی سلسله مراتبی

همان گونه که بیان شد، در روش خوشه بندی سلسله مراتبی، به خوشه‌های نهایی بر اساس میزان عمومیت آنها ساختاری سلسله‌ مراتبی، معمولا به صورت درختی نسبت داده می‌شود. به ا ین درخت سلسله مراتبی دندوگرام (dendogram) می‌گویند. روش کار تکنیک های خوشه‌بندی سلسله‌مراتبی معمولا بر اساس الگوریتم های حریصانه (Greedy Algorithms) و بهینگی مرحله‌ای (stepwise-optimal) است. روش های خوشه‌بندی بر اساس ساختار سلسله مراتبی تولیدی توسط آنها معمولا به دو دسته زیر تقسیم می‌شوند:

  • بالا به پایین (Top-Down) یا تقسیم کننده (Divisive)

 در این روش ابتدا تمام داده‌ها به عنوان یک خوشه در نظر گرفته می‌شوند و سپس در طی یک فرایند تکراری در هر مرحله داده‌هایی شباهت کمتری به هم دارند به خوشه‌های مجزایی شکسته می‌شوند و این روال تا رسیدن به خوشه‌هایی که دارای یک عضو هستند ادامه پیدا می‌کند.

  • پایین به بالا (Bottom-Up) یا متراکم شونده (Agglomerative)

در این روش ابتدا هر داده‌ها به عنوان خوشه‌ای مجزا در نظر گرفته می‌شود و در طی فرایندی تکراری در هر مرحله خوشه‌هایی که شباهت بیشتری با یکدیگر با یکدیگر ترکیب می‌شوند تا در نهایت یک خوشه و یا تعداد مشخصی خوشه حاصل شود. از انواع الگوریتم های خوشه‌بندی سلسله مراتبی متراکم شونده رایج می‌توان از الگوریتم های Single-Link، Average-Link و Complete-Link نام برد. تفاوت اصلی در بین تمام این روش ها به نحوه محاسبه شباهت بین خوشه‌ها مربوط می‌شود. که در بخش های بعد به تشریح هر یک پرداخته خواهد شد.
نمونه‌ای از روش خوشه‌بندی سلسله مراتبی و تفاوت بین روش های بالا به پایین و پایین به بالا در شکل زیر مشاهده می‌شود.

  • خوشه‌بندی با روش Single-Link

این روش یکی از قدیمی‌ترین و ساده‌ترین روش های خوشه‌بندی است و جزء روش های خوشه‌بندی سلسله مراتبی و انحصاری محسوب می‌شود. به این روش خوشه‌بندی، تکنیک نزدیکترین همسایه (Nearest Neighbour) نیز گفته می‌شود. در این روش برای محاسبه شباهت بین دو خوشه A و B از معیار زیر استفاده می‌شود:

که i یک نمونه داده متعلق به خوشه A و j یک نمونه داده متعلق به خوشه B می‌باشد. در واقع در این روش شباهت بین دو خوشه، کمترین فاصله بین یک عضو از یکی با یک عضو از دیگری است. در شکل زیر این مفهوم بهتر نشان‌ داده شده است

شکل ۴: شباهت بین دو خوشه در روش Single-Link برابر است با کمترین فاصله بین داده‌های دو خوشه

 

مثال: در این قسمت سعی شده است تا در مثالی با فرض داشتن ۶ نمونه داده و ماتریس فاصله بین آنها که در جدول ۱ نشان‌داده شده است، نحوه اعمال روش خوشه‌بندی Single-Link بهتر تشریح شود

جدول ۱: ماتریس فاصله بین ۶ نمونه داده

در ابتدا هر داده به عنوان یک خوشه در نظر گرفته می‌شود و یافتن نزدیکترین خوشه در واقع یافتن کمترین فاصله بین داده‌های بالا خواهد بود. با توجه به جدول ۱ مشخص است که داده‌های ۳ و ۵ کمترین فاصله را دارا هستند. و در نتیجه آنها را با هم ترکیب کرده و خوشه جدیدی حاصل می‌شود که فاصله آن از سایر خوشه‌ها برابر است با کمترین فاصله بین ۳ و یا ۵ از سایر خوشه‌ها. نتیجه در جدول ۲ نشان ‌داده شده است.

با توجه به جدول ۲ مشخص است که داده‌های ۱ و ۲ کمترین فاصله را دارا هستند. و در نتیجه آنها را با هم ترکیب کرده و خوشه جدیدی حاصل می‌شود که فاصله آن از سایر خوشه‌ها برابر است با کمترین فاصله بین ۱ و یا ۲ از سایر خوشه‌ها. نتیجه در جدول ۳ نشان ‌داده شده است.

با توجه به جدول ۳ مشخص است که خوشه‌های (۳ و ۵) و ۴ کمترین فاصله را دارا هستند. و در نتیجه آنها را با هم ترکیب کرده و خوشه جدیدی حاصل می‌شود که فاصله آن از سایر خوشه‌ها برابر است با کمترین فاصله بین (۳ و ۵) و یا ۴ از سایر خوشه‌ها. نتیجه در جدول ۴ نشان ‌داده شده است.

با توجه به جدول ۴ مشخص است که خوشه‌های (۱ و ۲) و ۶ کمترین فاصله را دارا هستند. و در نتیجه آنها را با هم ترکیب کرده و خوشه جدیدی حاصل می‌شود که فاصله آن از سایر خوشه‌ها برابر است با کمترین فاصله بین (۱ و ۲) و یا ۶ از سایر خوشه‌ها. نتیجه در جدول ۵ نشان ‌داده شده است.

در نهایت این دو خو‌شه حاصل ا هم ترکیب می‌شوند. نتیجه در دندوگرام شکل ۵ نشان داده شده است.

  • خوشه‌بندی با روش Complete-Link

این روش همانند Single-Link جزء روش های خوشه‌بندی سلسله مراتبی و انحصاری محسوب می‌شود. به این روش خوشه‌بندی، تکنیک دورترین همسایه (furthest Neighbour) نیز گفته می‌شود. در این روش برای محاسبه شباهت بین دو خوشه A و B از معیار زیر استفاده می‌شود:

که i یک نمونه داده متعلق به خوشه A و j یک نمونه داده متعلق به خوشه B می‌باشد. در واقع در این روش شباهت بین دو خوشه بیشترین فاصله بین یک عضو از یکی با یک عضو از دیگری است. در شکل زیر این مفهوم بهتر نشان‌ داده شده است.

شکل ۶: شباهت بین دو خوشه در روش Complete-Link برابر است با بیشترین فاصله بین داده‌های دو خوشه.

مثال: در این قسمت سعی شده است تا در مثالی با فرض داشتن ۶ نمونه داده و ماتریس فاصله بین آنها که در جدول ۶ نشان ‌داده شده است، نحوه اعمال روش خوشه‌بندی Complete-Link بهتر تشریح شود.

در ابتدا هر داده به عنوان یک خوشه در نظر گرفته می‌شود و یافتن نزدیکترین خوشه در واقع یافتن کمترین فاصله بین داده‌های بالا خواهد بود. با توجه به جدول ۶ مشخص است که داده‌های ۳ و ۵ کمترین فاصله را دارا هستند. و در نتیجه آنها را با هم ترکیب کرده و خوشه جدیدی حاصل می‌شود که فاصله آن از سایر خوشه‌ها برابر است با بیشترین فاصله بین ۳ و یا ۵ از سایر خوشه‌ها. نتیجه در جدول ۷ نشان ‌داده شده است.

با توجه به جدول ۷ مشخص است که داده‌های ۱ و ۲ کمترین فاصله را دارا هستند. و در نتیجه آنها را با هم ترکیب کرده و خوشه جدیدی حاصل می‌شود که فاصله آن از سایر خوشه‌ها برابر است با بیشترین فاصله بین ۱ و یا ۲ از سایر خوشه‌ها. نتیجه در جدول ۸ نشان ‌داده شده است.

با توجه به جدول ۸ مشخص است که خوشه‌های (۳ و ۵) و ۴ کمترین فاصله را دارا هستند. و در نتیجه آنها را با هم ترکیب کرده و خوشه جدیدی حاصل می‌شود که فاصله آن از سایر خوشه‌ها برابر است با بیشترین فاصله بین (۳ و ۵) و یا ۴ از سایر خوشه‌ها. نتیجه در جدول ۹ نشان ‌داده شده است.

با توجه به جدول ۹ مشخص است که خوشه‌های (۱ و ۲) و ۶ کمترین فاصله را دارا هستند. و در نتیجه آنها را با هم ترکیب کرده و خوشه جدیدی حاصل می‌شود که فاصله آن از سایر خوشه‌ها برابر است با بیشترین فاصله بین (۱ و ۲) و یا ۶ از سایر خوشه‌ها. نتیجه در جدول ۱۰ نشان ‌داده شده است.

در نهایت این دو خو‌شه حاصل ا هم ترکیب می‌شوند. نتیجه در دندوگرام شکل ۷ نشان داده شده است.

  • خوشه‌بندی با روش Average-Link

این روش همانند Single-Link جزء روش های خوشه‌بندی سلسله مراتبی و انحصاری محسوب می‌شود. از آنجا که هر دو روش خوشه‌بندی Single-link و Complete-link بشدت به نویز حساس می‌باشد، این روش که محاسبات بیشتری دارد، پیشنهاد شد. در این روش برای محاسبه شباهت بین دو خوشه A و B از معیار زیر استفاده می‌شود:

که i یک نمونه داده متعلق به خوشه A و j یک نمونه داده متعلق به خوشه B می‌باشد. و NA تعداد اعضاء خوشه A و NB تعداد اعضاء خوشه B است. در واقع در این روش، شباهت بین دو خوشه میانگین فاصله بین تمام اعضاء یکی با تمام اعضاء دیگری است. در شکل زیر این مفهوم بهتر نشان‌ داده شده است

شکل ۸: شباهت بین دو خوشه در روش Average-Link برابر است با میانگین فاصله بین داده‌های دو خوشه

 

مثال: در این قسمت سعی شده است تا در مثالی با فرض داشتن ۶ نمونه داده و ماتریس فاصله بین آنها که در جدول ۱۱ نشان ‌داده شده است، نحوه اعمال روش خوشه‌بندی Average-Link بهتر تشریح شود

در ابتدا هر داده به عنوان یک خوشه در نظر گرفته می‌شود و یافتن نزدیکترین خوشه در واقع یافتن کمترین فاصله بین داده‌های بالا خواهد بود. با توجه به جدول ۱۱ مشخص است که داده‌های ۳ و ۵ کمترین فاصله را دارا هستند. و در نتیجه آنها را با هم ترکیب کرده و خوشه جدیدی حاصل می‌شود که فاصله آن از سایر خوشه‌ها برابر است با میانگین فاصله بین ۳ و ۵ از سایر خوشه‌ها. نتیجه در جدول ۱۲ نشان ‌داده شده است.

با توجه به جدول ۱۲ مشخص است که داده‌های ۱ و ۲ کمترین فاصله را دارا هستند. و در نتیجه آنها را با هم ترکیب کرده و خوشه جدیدی حاصل می‌شود که فاصله آن از سایر خوشه‌ها برابر است با بیشترین فاصله بین ۱ و یا ۲ از سایر خوشه‌ها. نتیجه در جدول ۱۳ نشان ‌داده شده است

با توجه به جدول ۱۳ مشخص است که خوشه‌های (۳ و ۵) و ۴ کمترین فاصله را دارا هستند. و در نتیجه آنها را با هم ترکیب کرده و خوشه جدیدی حاصل می‌شود که فاصله آن از سایر خوشه‌ها برابر است با بیشترین فاصله بین (۳ و ۵) و یا ۴ از سایر خوشه‌ها. نتیجه در جدول ۱۴ نشان ‌داده شده است.

با توجه به جدول ۱۴ مشخص است که خوشه‌های (۱ و ۲) و ۶ کمترین فاصله را دارا هستند. و در نتیجه آنها را با هم ترکیب کرده و خوشه جدیدی حاصل می‌شود که فاصله آن از سایر خوشه‌ها برابر است با بیشترین فاصله بین (۱ و ۲) و یا ۶ از سایر خوشه‌ها. نتیجه در جدول ۱۵ نشان ‌داده شده است.

در نهایت این دو خو‌شه حاصل ا هم ترکیب می‌شوند. نتیجه در دندوگرام شکل ۹ نشان داده شده است.

دیگر روش های خوشه بندی سلسله مراتبی

  • خوشه‌بندی با روش Group Average Link

این روش همانند Single-Link جزء روش های خوشه‌بندی سلسله مراتبی و انحصاری محسوب می‌شود. [Webb] به این روش Centriod Distance نیز گفته می‌شود. در این روش برای محاسبه شباهت بین دو خوشه A و B از معیار زیر استفاده می‌شود:

که Xi یک نمونه داده متعلق به خوشه A، Xj یک نمونه داده متعلق به خوشه B، NA تعداد اعضاء خوشهA و NB تعداد اعضاء خوشه B است. در واقع در این روش، شباهت بین دو خوشه فاصله بین بردار میانگینِ تمام اعضاء یکی با بردارِ میانگینِ تمام اعضاء دیگری است. در شکل F4 این مفهوم بهتر نشان‌ داده شده است.

  • خوشه‌بندی با روش Median Distance

این روش نیز همانند Single-Link جزء روش های خوشه‌بندی سلسله مراتبی و انحصاری محسوب می‌شود. در روش Group Average Link اگر یم خوشه کوچک با یک خوشه بزرگ ترکیب شود نقطه میانگین خوشه حاصل نقطه‌ای نزدیک میانگین خوشه بزرگتر خواهد بود که در بعضی از کاربردها چندان مطلوب نیست. بدین منظور این روش خوشه‌بندی پیشنهاد شده است که مشکل مذکور را ندارد. در این روش از میانه نقاط یک خوشه به‌ عنوان مرکز ثقل آن خوشه استفاده می‌شود.

شکل ۱۰: شباهت بین دو خوشه در روش Group Average Link برابر است با فاصله بین میانگین نقاط دو خوشه

  • خوشه‌بندی با روش Ward

این روش نیز همانند Single-Link جزء روش های خوشه‌بندی سلسله مراتبی و انحصاری محسوب می‌شود. در این روش خوشه‌‌بندی برای کاهش تلفات ناشی داده‌های دور افتاده (Outlier) از معیاری جدید برای محاسبه عدم‌شباهت بین خوشه‌ها استفاده می‌کند. در روش Ward’s از مجموع مربعات تفاضل هر داده از یک خوشه با بردار میانگین آن خوشه به عنوان معیاری برای سنجش یک خوشه استفاده می‌شود. الگوریتم زیر را می‌توان برای روش Ward در نظر گرفت.

  • الگوریتم خوشه‌بندی پایین به بالای عمومی

اغلب الگوریتم های خوشه‌بندی سلسله مراتبی را به نحوی می‌توان گسترش یافته الگوریتم خوشه‌بندی Single-Link در نظر گرفت. تفاوت روش های مختلف در نحوه محاسبه ماتریس تشابه یا عدم تشابه (Dissimilaritye) آنها است. فرمولی بازگشتی به نام فرمول Lance-Williams تعریف شده است که عدم‌تشابه بین خوشه k و خوشه حاصل از پیوند خوشه‌های i و j را بیان می‌کند:


که پارامترهای ai، b و c بیان کننده نوع روش خوشه‌بندی هستند و در جدول ۱۶ مقادیر مربوط به چند روش آورده شده است:

  1. ابتدا هر داده به عنوان یک خوشه در نظر گرفته می‌شود.

  2. به ازاء تمام جفت خوشه‌های ممکن از مجموعه خوشه‌ها آن دو خوشه‌ای که مجموع مربعات تفاضل داده‌های خوشه حاصل از اجتماع آنها با بردار میانگین خوشه حاصل کمینه باشد، انتخاب می‌شوند.

  3. دو خوشه انتخاب شده با هم ترکیب می‌شوند.

  4. تا زمانی که تعداد خوشه‌ها به تعداد مورد نظر نرسیده است، مراحل ii، iii و iv تکرار می‌شوند

ارتباط و مشاوره با شما ۰۹۳۶۷۹۳۸۰۱۸ در واتس اپ

صفحه اینستاگرام ما را دنبال کنید

دیدگاه‌ها (19)

*
*


پاسخ من را به ایمیلم ارسال کن

    نرگس ریاحی مهمان 6 بهمن 1395 پاسخ

    سلام آقای مهندس
    وقت بخیر
    اگر ممکن در مورد بردار میانگین خوشه ها توضیحی بفرمایید. نحوه ی به دست اوردن آن.
    ممنون از لطف شما

      مهدي مقيمي مدیر کل 4 شهریور 1396 پاسخ

      با سلام
      ببینید بردار میانگین یعنی میانگین مجموعه ای از اطلاعات خطی
      مثلا فرض کنید داریم
      1,2,3,1,1,1,2
      2,3,4,2,2,3,4
      1,1,1,1,1,1,0
      بردار میانگین این سه می شه
      4/3,6/3,8/3,...
      حالا در بحث خوشه بندی هم مطرح می شه این موضوع که میان بردار میانگین تولید می کنن برای برخی مقاصد و ممکنه بیش از یک بردار میانگین تولید کنید
      یادمه یکی از مشتریانم اومد دیتاستش رو به بخش هایی تقسیم کرد و برای هر بخش بردار میانگین گرفت و از اونها برای خوشه بندی خودش استفاده کرد

    علی اکبر فرامرزپور مهمان 25 آذر 1396 پاسخ

    سلام اقای مهندس
    وقت بخیر
    لطفا درباره روش وارد سلسله مراتب تجمعی بیشتر توضیح فرمایید.
    ممنون میشم از لطف شما

      مهدي مقيمي مدیر کل 11 بهمن 1396 پاسخ

      با سلام
      بخاطر دیرکرد عذر می خام
      ببینید الگوریتم وارد اصل و بناش همون اگلومرتیو هست. در خصوص اگلومرتیو یا agglomerative قبلا صحبت کردیم و در فروشگاه هم یک نمونه پیاده سازیش وجود داره می تونید دانلود کنید
      اما تغییری که وارد داره نسبت به الگوریتم اگلو اینه که موقع مرج کردن در اگلو شرط خاصی مطرح نیست مگر همجواری ولی در این الگوریتم باید برای مرج کردن دو خوشه اول به این نتیجه برسیم که این دو خوشه که دارن مرج میشن حتما بهینه ترین دو خوشه ای هستن که دارن مرج میشن
      یعنی یک کلاستر در صورتی با کلاستر دیگه مرج میشه گه گزینه ای بهتر از اون کلاستر برای مرج نداشته باشیم

    مسعود محمدی مهمان 10 دی 1396 پاسخ

    سلام
    ببخشید جناب مقیمی امکان داره در ارتباط بافرمول ها و مکانیزم روش Ward در خوشه بندی سلسله مراتبی بیشتر توضیح دهید

      مهدي مقيمي مدیر کل 11 بهمن 1396 پاسخ

      با سلام
      بخاطر دیرکرد عذر می خام
      ببینید الگوریتم وارد اصل و بناش همون اگلومرتیو هست. در خصوص اگلومرتیو یا agglomerative قبلا صحبت کردیم و در فروشگاه هم یک نمونه پیاده سازیش وجود داره می تونید دانلود کنید
      اما تغییری که وارد داره نسبت به الگوریتم اگلو اینه که موقع مرج کردن در اگلو شرط خاصی مطرح نیست مگر همجواری ولی در این الگوریتم باید برای مرج کردن دو خوشه اول به این نتیجه برسیم که این دو خوشه که دارن مرج میشن حتما بهینه ترین دو خوشه ای هستن که دارن مرج میشن
      یعنی یک کلاستر در صورتی با کلاستر دیگه مرج میشه گه گزینه ای بهتر از اون کلاستر برای مرج نداشته باشیم

    روشن ضمیر مهمان 2 خرداد 1397 پاسخ

    با سلام ووقت بخیر
    اگه ممکن میخواستم درمورد خوشه بندی سلسله مراتبی centroid-linkage و فرمول آن توضیحی بفرمایید
    تشکر

      مهدي مقيمي مدیر کل 9 خرداد 1397 پاسخ

      با سلام
      ببینید این روش کلا با بردار میانه کار میکنه. شما بردار میانه دو تا ارایه از ابجکت ها رو در میارید مثلا میشه دو تا ارایه 2,3,5 و اونیکی هم یه چیز دیگه
      حالا توی روش های سلسله مراتبی میاد اون دو تا وکتوری که بردار میانشون به هم نزدیکتر باشه مثلا به کمک فاصله اقلیدوسی رو میزاریم توی یه خوشه
      امیدوارم خوب توضیح داده باشم.
      ببینید بزارید بجای ماهی سرخ کرده به شما ماهیگیری یاد بدم. یکی از علمای بزرگ یعنی علامه جوادی عاملی می فرمایند اصول رو یاد بگیرید و از یادگیری مصادیق پرهیز کنید. سعی کنید اصول خوشه بندی سلسله مراتبی رو یاد بگیرید. باقی اون رو اومدن دماغش رو کج کردن و یا دهنش رو عوض کردن

    روشن ضمیر مهمان 7 خرداد 1397 پاسخ

    با سلام و وقت بخیر
    اگه ممکن در مورد خوشه بندی centroid linkage با یه مثال عددی توضیح بدین
    تشکر

      مهدي مقيمي مدیر کل 9 خرداد 1397 پاسخ

      با سلام
      ببینید این روش کلا با بردار میانه کار میکنه. شما بردار میانه دو تا ارایه از ابجکت ها رو در میارید مثلا میشه دو تا ارایه 2,3,5 و اونیکی هم یه چیز دیگه
      حالا توی روش های سلسله مراتبی میاد اون دو تا وکتوری که بردار میانشون به هم نزدیکتر باشه مثلا به کمک فاصله اقلیدوسی رو میزاریم توی یه خوشه
      امیدوارم خوب توضیح داده باشم.
      ببینید بزارید بجای ماهی سرخ کرده به شما ماهیگیری یاد بدم. یکی از علمای بزرگ یعنی علامه جوادی عاملی می فرمایند اصول رو یاد بگیرید و از یادگیری مصادیق پرهیز کنید. سعی کنید اصول خوشه بندی سلسله مراتبی رو یاد بگیرید. باقی اون رو اومدن دماغش رو کج کردن و یا دهنش رو عوض کردن

    زهرا.93 مهمان 31 مرداد 1397 پاسخ

    سلام.
    لطفا اگر ممکن است الگوریتم ( Clustering using Representatives) (CURE) رو هم توضیح بدین. یا برای کد متلب آن راهنمایی بفر مایید واقعا بهش احتیاج دارم.
    خیلی ممنون از لطف شما...

      مهدي مقيمي مدیر کل 2 شهریور 1397 پاسخ

      سلام و وقت بخیر
      وقتی دیدم سوالتون رو سه جای مختلف سایت مطرح کردید فکر کردم رنج زیادی کشیدید. متاسفانه با این الگوریتم اشنا نبودم و بخاطر فورس بودن قضیه در گوگل جستجو کردم
      اولین مطلب مربوط به ویکی پدیا بود که فکر کنم کار شما رو راه بندازه
      داستان مربوط به مشکلات فرمولی هست که روش های خوشه بندی مثل کامیانه در خوشه بندیهاشون باهاش روبرو میشن.
      این الگوریتم یه الگوریتم سلسله مراتبی هست. توی الگوریتم های سلسله مراتبی یکسری مرکز انتخاب میشه و با روش های مختلف اعضا دور مراکز جمع میشن. بعد عمل مرج انجام میشه.
      پس کلیت کار شبیه اینه
      از طرفی تو ویکی پدیا شبه کدش رو نوشته. کافیه بزاریدش جلوتون و شروع به پیاده سازی کنید.
      مثلا گفته نقطه اولیه در نظر بگیرید. خیلی راحت اول دیتاستتونو بخونید بعد با دستور رندم تو متلب یا پایتون یا سی شارپ یا r اون رو اماده کنید
      من الگوریتم های زیادی پیاده سازی کردم و همیشه از همین روش استفاده کردم. شبه کد رو گذاشتم جلوم و شروع کردم
      اگر وقت ندارید می تونید به ما بسپارید تا هم داکیومنت کامل و هم اموزش انلاین و هم خود کد رو تقدیم شما کنم

    مهشید مهمان 16 آذر 1397 پاسخ

    سلام وقتتون بخیر.عذر میخوام یه مقاله براکارم استفاده کردم که ازروش واریانس گیری برای خوشه بندی استفاده شده:دنبال یه روش خوشه بندی هستم که عملکردش بهتر باشه و بیس ریاضی قوی ای داشته باشه.حالا یاازنظر دقت یا سادگی و یا...........

      مهدي مقيمي مدیر کل 16 آذر 1397 پاسخ

      با سلام
      ابتدا ببینید مقاله مورد نظرتون در چه حوزه ای خوشه بندی میکنه. مثلا خوشه بندی نود های گراف؟ خوشه بندی کاربران سایت؟ و ...
      حالا که متوجه شدید کافیه یه سرچ ساده بکنید. مزایا و معایبش رو پیدا کنید. احتمالا توی سرچ ها گفتن چه زمانی از فلان مدل خوشه بندی مبتنی بر گراف استفاده کنید خوبه کجا بده. اینطوری به یه اشراف کلی میرسید. حالا تنها راهی که دارید ریسکه.
      انتخاب کنید و روی مجموعه دادتون پیادش کنید و با مقاله پایه مقایسه کنید. اگر بهتر شد که درست حدس زدید و اگر بهتر نشد مجبورید یه روش دیگه رو امتحان کنید که محتمل تره.
      شاید هم تصمیم بگیرید یک روش غیر خوشه بندی گراف رو وارد حوزه خوشه بندی گراف کنید. اینطوری باز هم ریسکه. ولی باید ریسک رو قبول کنید. بنظرم نمی تونید شخصی رو پیدا کنید که بهتون در خصوص خوشه بندی پیشنهاد درستی بده

    علیرضا مهمان 25 تیر 1399 پاسخ

    سلام
    یک سوال دارم اگر من بخوام خوشه بندی سلسله مراتبی رو در یک شبکه ی شهری انجام بدم به چه صورت میشه؟
    درواقع من شبکه ای از شهرهای دو استان تهران و البرز رو در ژوپیتر با کدنویسی پایتون ترسیم کرد و جریان جابجایی بار بین هر یک از مراکز رو تحت عنوان یال مشخص کردم و الان میخوام ببینم که چه شهرهایی با هم یک خوشه تشکیل میدن
    ممنون میشم راهنمایی کنید

      مهدي مقيمي مدیر کل 30 تیر 1399 پاسخ

      سلام و وقت بخیر هر شبکه شامل یک سری نود می باشد کافیست آنرا به داده تبدیل کنید داده متنی به زبان‌های مانند رپیدماینر و غیره بدهید تا برای شما خوشه بندی متنی انجام دهد دوباره آن را به نرم افزارهای مربوطه دهید تا برای شما ویژوالایزر کند این یک راه دیگر این است که از نرم افزارهای مانند نود اکسل استفاده کنید تا برای شما خوشه بندی های انجام دهند مانند خوشه بندی شولت که در نود اکسل وجود دارد

    MRZ Customer 13 شهریور 1400 پاسخ

    سلام . چرا سایت وقتی گزینه (بیشتر ) کلیک میکنم چیزی نمیاره؟؟

      مهدي مقيمي مدیر کل 25 دی 1400 پاسخ

      با سلام
      با واحد فنی مطرح شده و در حال اصلاح می باشد

    sajedeh مهمان 1 شهریور 1402 پاسخ

    سلام
    جدول هایی که گفته شده در متن چرا در سایت دیده نمیشود ؟

loader
error: با عرض پوزش؛ لطفا از مطالعه مطالب لذت ببرید.