روش‌های خوشه‌بندی

در خوشه بندی کلاسیک، هر نمونه ورودی متعلق به یک و فقط یک خوشه است و نمی تواند عضو دو خوشه و یا بیشتر باشد. به عبارتی خوشه ها همپوشانی ندارند، در حالی که در خوشه بندی فازی یک نمونه می تواند متعلق به بیش از یک خوشه باشد. خوشه بندی فازی به کشف

¹ Exclusive or Hard Clustering

²Overlapping or Soft Clustering

 مدل های فازی از داده ها می پردازد.

خوشه بندی فازی را می توان بخشی از تحلیل داده فازی دانست که دارای دو بخش است:

یکی تحلیل داده های فازی و دیگری تحلیل داده های قطعی با استفاده از تکنیک های فازی.

ایده بنیادین در خوشه بندی فازی به این ترتیب است که فرض کنیم هر خوشه مجموعه ای از عناصر است ,سپس با تغییر در تعریف عضویت عناصر در این مجموعه از حالتی که یک عنصر فقط بتواند عضو یک خوشه باشد( حالت افرازی) ، به حالتی که هر عنصر می تواند با درجه عضویت های مختلف داخل چندین خوشه قرار بگیرد، دسته بندی هایی که انطباق بیشتری با واقعیت دارند ارائه کنیم]28[.

برای روشن شدن مطلب شکل زیر را در نظر بگیرید:

شکل 1-3  مجموعه داده پروانه ای

اگر نمونه های ورودی مطابق شکل فوق باشند مشخص است که می توان داده ها را به دو خوشه تقسیم کرد اما مشکلی که پیش می اید این است که داده مشخص شده در وسط می تواند عضو هر دو خوشه باشد بنابراین باید تصمیم گرفت که داده مورد نظر متعلق به کدام خوشه است، خوشه سمت راست یا خوشه سمت چپ. اما اگر از خوشه بندی فازی استفاده کنیم داده مورد نظر با تعلق 0.5 عضو خوشه سمت راست و با تعلق مشابه عضو خوشه سمت چپ است.

از الگوریتم های پایه ای خوشه بندی فازی می توان الگوریتم های Fuzzy C-MeansوPossibilistic C-Means  را نام برد.