| Abstract : | Ο σκοπός της εργασίας αυτής είναι να παρουσιάσει μία εναλλακτική μέθοδο ανάλυσης κατά συστάδες η οποία ονομάζεται «Ασαφής» ή Fuzzy c-Means αλγόριθμος και είναι από τις γνωστότερες τεχνικές. Οι μέθοδοι fuzzy ομαδοποίησης, όπως οι Fuzzy c-Means και Gustafson Kessel επέκταση, επιτρέπουν τα αντικείμενα να ανήκουν σε περισσότερες από μία ομάδες ταυτόχρονα με διαφορετικό βαθμό συμμετοχής. Η εργασία ξεκινάει με την εισαγωγή στο κεφάλαιο 1. Στο κεφάλαιο 2 γίνεται μια σύντομη αναφορά στις κλασσικές μεθόδους ομαδοποίησης και τους πιο γνωστούς τρόπους υπολογισμού των αποστάσεων. Ακολουθεί στο κεφάλαιο 3 εκτενής ανάλυση της Fuzzy c-Means μεθόδου και της Gustafson-Kessel επέκτασης. Στο κεφάλαιο 4 παρουσιάζουμε αναλυτικές εφαρμογές αυτών των μεθόδων. Στο κεφάλαιο 5 κάνουμε τη σύνοψη και καταγράφουμε τα ουσιώδη σημεία και τα συμπεράσματα των τεχνικών που παρουσιάστηκαν στην εργασία αυτή. Έχοντας παρουσιάσει όλα τα παραπάνω καταλήγουμε ότι οι Fuzzy τεχνικές ομαδοποίησης αποτελούν μία αποτελεσματική μέθοδο για την ανάλυση κατά συστάδες.
The objective of this thesis is to represent an alternative clustering technique which is among the most famous, called as Fuzzy c-Means algorithm. Fuzzy clustering methods, like Fuzzy c-Means and Gustafson Kessel extension, allow the objects to belong to several clusters simultaneously with different degrees of membership. The first chapter of this dissertation contains the introduction. In the second chapter we review the classic clustering methods and the most known distance measurements. The Fuzzy c-Means and Gustafson-Kessel extension are presented extensively in the third chapter. The fourth chapter contains several implementations for these methods. In the fifth chapter, we draw the conclusions and the most valuable points of this dissertation. Lastly, chapter 6 includes the references. Having presented the most known fuzzy clustering methods we conclude about the importance of these methods.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.