۱

x₂

۱

۱

۱

۲

x₃

۲

۱

۲

۲

x₄

۳

۳

۳

۳

x₅

۳

۳

۴

۳

x₆

خوشه‏بندی نهایی نیز به عنوان نتیجه در سمت راست ترین ستون جدول ۱-۱ آورده شده است. همانطور که در جدول نیز مشخص است شماره خوشه‏ای که هر داده در خوشه‏بندی نهایی در آن قرار می‏گیرد مطابق با شماره خوشه اکثریت در خوشه‏بندی‏های اولیه می‏باشد. در این مثال، خوشه‏بندی توافقی با بهره گرفتن از رأی گیری بدست می‏آید.
خوشه‏بندی توافقی نیز مانند دیگر روش‏های خوشه‏بندی، یک مسئله بهینه سازی محسوب می‏شود به طوری که می‏خواهیم تعداد عدم توافق‏ها کمینه شود. همچنین لازم به ذکر است که مسائل خوشه‏بندی از نوع مسائل NP-کامل^[۳۷] هستند.
یکی از کاربردهای خوشه‏بندی توافقی زمانی است که داده‏های اصلی جهت انجام خوشه‏بندی در دسترس نمی‏باشند، اما خوشه‏بندی‏ های مجزایی از داده‏های اصلی وجود دارد. این شرایط زمانی رخ می‏دهد که [۲]:
داده‏ها در منابعی اختصاصی قرار دارند و صاحبان داده نتایج خوشه‏بندی را ارائه داده اند اما داده‏های اصلی در اختیار خودشان است.
داده‏های اصلی مفقود و یا دور انداخته شده اند، اما خوشه‏های داده‏ای وجود دارند.
تمام داده‏های اصلی در دسترس هستند، اما ممکن است برای ذخیره شدن در یک سایت محاسباتی، بسیار بزرگ باشند. در این حالت ساختن خوشه‏بندی‏های مجزا از قسمت‏های مختلف داده و سپس ترکیب آنها می‏تواند روش مناسبی باشد.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

چنانچه بخواهیم دانشی جدیدی را به سیستم یادگیری وارد کنیم و یا از اطلاعات قبلی استفاده مجدد نماییم، می‏توانیم خوشه‏بندی‏های جدید را بدون نیاز به دانستن اطلاعاتی که برای خوشه‏بندی‏های قبلی استفاده شده است و یا چگونگی ایجاد آنها، با خوشه‏بندی‏های قبلی ترکیب کنیم.
الگوریتم‏های خوشه‏بندی توافقی دارای مزایایی بیش از دیگر الگوریتم‏های خوشه‏بندی می‏باشند. این الگوریتم‏ها اغلب : خوشه بندی بهتری تولید می‏کنند؛ خوشه بندی ترکیب شده‏ای را می‏یابند که به تنهایی توسط هر الگوریتم خوشه بندی دیگری قابل تولید نمی‏باشد؛ حساسیت کمتری نسبت به نویز دارند؛ و قادر به یکپارچه سازی نتایج از منابع توزیع شده می‏باشند [۵۷]. همچنین روش‏های خوشه‏بندی توافقی کاربردهای مختلفی در مسائل گوناگون مرتبط با خوشه‏بندی دارند: ۱) خوشه‏بندی داده‏های اسمی^[۳۸] و مدیریت مقادیر ناقص^[۳۹] در خوشه‏بندی، ۲) خوشه‏بندی داده‎های ناهمگن^[۴۰]، در حالتی که چندتایی‏ها دارای صفات خاصه‏ای هستند که قابل مقایسه نمی‏باشند، ۳) تشخیص تعداد مناسب خوشه‏ها و همچنین تشخیص داده‏های دور افتاده، ۴) فراهم نمودن روشی جهت افزایش کیفیت خوشه‏بندی با بهره گرفتن از ترکیب نتایج چند الگوریتم خوشه‏بندی و ۵) خوشه‏بندی داده‏هایی که به صورت توزیع شده اند[۲۳].
چگونگی تولید خوشه‏بندی‏های اولیه و همچنین روش‏های ترکیب آنها در شکل ۳-۱ نشان داده شده است. جهت تولید خوشه‏بندی‏های اولیه از یک مجموعه داده‏ای مشخص می‏توان: الگوریتم‏های خوشه‏بندی مختلفی را بر روی داده‏ها اعمال نمود؛ یک الگوریتم را چندین بار با پارامترهای اولیه متفاوت بکار برد؛ و یا داده‏ها را به صورت افقی (سطرها) و یا عمودی (ستون‏ها) به قسمت‏های مختلف تقسیم کرده و سپس هر قسمت را خوشه‏بندی نمود. برخی از روش‏های ترکیب خوشه‏بندی‏های اولیه نیز عبارتند از: روش‏های همبستگی^[۴۱]، روش رأی گیری، روش‏های تئوری اطلاعات و مدل ترکیبی [۵۳].
شکل ۱-۳ رویکردهای مختلف ترکیب خوشه‏بندی‏ها؛ سمت چپ: روش‏های تولید خوشه‏بندی‏های اولیه؛ سمت راست: روش‏های ترکیب خوشه‏بندی‏های اولیه و یافتن یک خوشه‏بندی نهایی [۱۵].
الگوریتم‏های مختلف
مقداردهی‏های اولیه متفاوت برای یک الگوریتم
زیر مجموعه‏های مختلف از اشیاء داده‏ای
زیر مجموعه‏های مختلف از صفات خاصه
همبستگی
رأی گیری
تئوری اطلاعات