خوشه بندی سلسله مراتبی یک روش است که در تجزیه و تحلیل داده ها به گروه های مشابه داده ها بر اساس ویژگی های آنها استفاده می شود.این به طور گسترده در زمینه های مختلف برای شناسایی الگوها و ساختارهای موجود در مجموعه داده های پیچیده استفاده می شود.این مقاله روش های خوشه ای سلسله مراتبی را بررسی می کند و مطالعات موردی را ارائه می دهد که برنامه های عملی آن را نشان می دهد.

روش های خوشه بندی Hierarchical

خوشه بندی سلسله مراتبی یک ساختار درخت مانند به نام یک دنروگرام ایجاد می کند که نشان دهنده ترتیب خوشه های شکل گرفته در سطوح مختلف است. دو رویکرد اصلی وجود دارد: یک آگممر و تفرقه.

خوشه های Agglomerative

این روش پایین با هر نقطه داده به عنوان یک خوشه فردی شروع می شود، سپس آن را به طور غریزی ادغام نزدیک ترین جفت خوشه تا زمانی که یک معیار توقف ملاقات، مانند تعداد مورد نظر خوشه ها یا آستانه فاصله.

خوشه های متحرک

این رویکرد بالا به پایین با تمام نقاط داده در یک خوشه واحد آغاز می شود، سپس خوشه ها را به گروه های کوچکتر بر اساس تفاوت ها تقسیم می کند، ایجاد یک سلسله مراتب از گسترده ترین به خوشه های خاص.

مطالعات موردی

خوشه بندی سلسله مراتبی با موفقیت در سناریوهای مختلف دنیای واقعی اعمال شده است. مثال ها شامل تقسیم بندی مشتری در بازاریابی، تجزیه و تحلیل بیان ژن در زیست شناسی و طبقه بندی اسناد در بازیابی اطلاعات است.

  • تقسیم بندی مشتری: شرکت های مشتریان گروه بر اساس رفتار خرید برای خیاط استراتژی های بازاریابی.
  • ژنومیک: محققان ژن ها را با الگوهای بیان مشابه برای درک عملکرد بیولوژیکی طبقه بندی می کنند.
  • خوشه بندی: [FLT 1] سازماندهی مجموعه های بزرگ از اسناد به موضوعات برای ناوبری آسان تر.