در ادامه، ارزیابی الگوریتم پیشنهادی را به ازاء هر یک از معیارهای مطرح شده برای هر کدام از مجموعه‏های داده‏ای، ارائه کرده و تحلیل خواهیم نمود.

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

۴-۵-۱- معیار دقت
همانطور که گفته شد معیار دقت، دقت الگوریتم‏ خوشه‏بندی را در قرار دادن اشیاء داده در خوشه‏ها مورد ارزیابی قرار می‏دهد. مقدار این معیار عددی بین صفر و یک است و مقدار بالاتر بیانگر دقت و یا خلوص بیشتر خوشه‏بندی است. ما این معیار را برای هر یک از خوشه‏بندی‏های نهایی تولید شده، محاسبه نموده و الگوریتم پیشنهادی را با ۴ الگوریتم دیگر در نمودار‏های مختلف مقایسه خواهیم نمود. هر یک از شکل‏های ۴-۲ تا ۴-۵ ارزیابی معیار دقت را به ترتیب برای مجموعه‏های داده‏ای iris، glass، vehicle و segment به ازاء ۵ الگوریتم نشان می‏دهند.

شکل ۴-۲ ارزیابی معیار دقت برای مجموعه داده‏ای iris در دو حالت با تعداد خوشه‏های ۳ و ۴
شکل ۴-۳ ارزیابی معیار دقت برای مجموعه داده‏ای glass در سه حالت با تعداد خوشه‏های ۴، ۶ و ۸
شکل ۴-۴ ارزیابی معیار دقت برای مجموعه داده‏ای vehicle در دو حالت با تعداد خوشه‏های ۴ و ۸
شکل ۴-۵ ارزیابی معیار دقت برای مجموعه داده‏ای segment در دو حالت با تعداد خوشه‏های ۵ و ۷
ارزیابی معیار دقت برای الگوریتم COHD و مقایسه آن با دیگر الگوریتم‏ها، نشان می‏دهد که این الگوریتم از دقت بیشتری نسبت به ۴ الگوریتم دیگر برخوردار است. البته همانطور که در شکل ۴-۳ نشان داده شده است الگوریتم COHD برای مجموعه داده‏ای glass در خوشه‏بندی‏هایی با تعداد خوشه‏ی ۶ و ۸ نتوانسته است به دقت بیشتری نسبت به دیگر الگوریتم‏ها دست یابد. علت این مسئله وزن اختصاص داده شده به خوشه‏بندی‏های اولیه بر اساس شاخص DB است، با توجه به اینکه برای مجموعه داده‏ای glass، خوشه‏بندی‏هایی با دقت بیشتر دارای شاخصDB با مقدار کمتر نمی‏باشند. از اینرو، خوشه‏بندی نهایی نیز از دقت کمتری برخوردار خواهد شد.
۷الگوریتم MCLA برای مجموعه داده‏ای glass با تعداد خوشه‏ی ۸ دارای خروجی نمی‏باشد. به همین علت در ارزیابی‏های انجام شده برای این الگوریتم، مقداری به ازاء معیار‏های مختلف مشخص نشده است. دلیل عدم پاسخگویی الگوریتم MCLA در این وضعیت به علت اینکه پیاده‏سازی آن توسط شخص دیگری صورت گرفته است، برای ما مشخص نمی‏باشد.
۴-۵-۲- شاخص Davies-Bouldin
همانطور که گفته شد شاخص DB میزان فشردگی و تفکیک شدگی خوشه‏ها را نشان می‏دهد. مقدار این شاخص هر چه کوچکتر باشد بیانگر فشردگی بیشتر خوشه‏ها و تفکیک شدگی مناسب‏تر آنها خواهد بود. مقدار محاسبه شده برای این شاخص در بازه‏ی مشخصی قرار نمی‏گیرد و عددی بزرگتر از صفر و مثبت می‏باشد. ما این معیار را برای هر یک از خوشه‏بندی‏های نهایی تولید شده، محاسبه نموده و الگوریتم پیشنهادی را با ۴ الگوریتم دیگر در نمودار‏های مختلف مقایسه خواهیم نمود. از آنجا که مقدار این شاخص بازه‏ی مشخصی ندارد به ازاء هر خوشه‏بندی با تعداد خوشه‏ی K یک نمودار مستقل ترسیم شده است. هر یک از شکل‏های ۴-۶ تا ۴-۹ ارزیابی شاخص DB را به ترتیب برای مجموعه‏های داده‏ای iris، glass، vehicle و segment به ازاء ۵ الگوریتم نشان می‏دهند.

شکل ۴-۶ ارزیابی شاخص DB برای مجموعه داده‏ای iris در دو حالت با تعداد خوشه‏های ۳ و ۴

شکل ۴-۷ ارزیابی شاخص DB برای مجموعه داده‏ای glass در سه حالت با تعداد خوشه‏های ۴، ۶ و ۸

شکل ۴-۸ ارزیابی شاخص DB برای مجموعه داده‏ای vehicle در دو حالت با تعداد خوشه‏های ۴ و ۶٫ مقدار این شاخص برای الگوریتم HGPA با تعداد خوشه‏های ۴ و ۶ به ترتیب ۹۳٫۹۱۰ و ۸۲٫۰۸۲ می‏باشد که به دلیل تفاوت بسیار با دیگر مقادیر در نمودار ترسیم نشده است.

شکل ۴-۹ ارزیابی شاخص DB برای مجموعه داده‏ای segment در دو حالت با تعداد خوشه‏های ۵ و ۷
ارزیابی‏های انجام شده برای شاخص DB نشان می‏دهد که خوشه‏بندی‏های بدست آمده با بهره گرفتن از الگوریتم COHD از فشردگی و تفکیک شدگی مناسب‏تری نسبت به ۴ الگوریتم دیگر برخوردار است.