معمولا نخستین رفتار انسان در طی حل یک مسأله، شناساییِ آن مسأله، شناساییِ دادههای آن مسأله و شناساییِ راههای سادهسازی آن مسأله میباشد. راههای متعددی برای شناسایی موضوع وجود دارد که یکی از آنها یادگیری از تجربیات خود یا دیگر انسانها میباشد.
از طرفی عمل یادگیری، به دو نوع تقسیم میشود:
1- یادگیری با نظارت
2- یادگیری بدون نظارت
در دسته یادگیری با نظارت، میتوان از روش طبقهبندی یاد کرد و برای یادگیری بدون نظارت از روش خوشهبندی نام برده میشود.
1-1-1-تفاوت های خوشهبندی و طبقهبندی
اگر بخواهیم تفاوتهای بین خوشهبندی و طبقهبندی دادهها را بررسی کنیم موارد زیر قابل ذکر هستند:
1-مسلما اولین تفاوت، این است که طبقهبندی یک مسئله با یادگیری با نظارت بوده اما خوشهبندی یک یادگیری بدون نظارت است.
2-طبقهبندی یک نوع یادگیری بر پایه مثال بوده در حالی که خوشهبندی یادگیری بر پایه مشاهده میباشد.
3-در طبقهبندی هم داده ورودی و هم خروجی هدف مشخص است و بقیه دادهها بر همین اساس طبقهبندی میشوند، ولی در خوشهبندی فقط ورودیها وجود داشته و بر اساس شباهتهای بین ورودیها باید آنها را خوشهبندی کرد.
آنچه که در پروژه ما مورد استفاده قرار گرفت روش خوشهبندی است که بر همین اساس به معرفی آن خواهیم پرداخت.
26. 24
% Train the Network
[net,tr] = train(net,x);
% Test the Network
y = net(x);
% View the Network
view(net)
% Plots
% Uncomment these lines to enable various plots.
%figure, plotsomtop(net)
%figure, plotsomnc(net)
%figure, plotsomnd(net)
%figure, plotsomplanes(net)
%figure, plotsomhits(net,x)
%figure, plotsompos(net,x)
% Deployment
% Change the (false) values to (true) to enable the following code blocks.
if (false)
% Generate MATLAB function for neural network for application deployment
% in MATLAB scripts or with MATLAB Compiler and Builder tools, or simply
% to examine the calculations your trained neural network performs.
genFunction(net,'myNeuralNetworkFunction');
y = myNeuralNetworkFunction(x);
end
if (false)
% Generate a matrix-only MATLAB function for neural network code
% generation with MATLAB Coder tools.
genFunction(net,'myNeuralNetworkFunction','MatrixOnly','yes');
y = myNeuralNetworkFunction(x);
end
if (false)
% Generate a Simulink diagram for simulation or deployment with.
% Simulink Coder tools.
gensim(net);
end
27. 25
منابع
1. http://www.ecg-pnum.ir/thesis/index.php?pages=thesis&opt=onel&i=143&l=8166
2.،قاسمی سعید محمدفارسی دستنویس زیرکلمات بندی خوشه،اراک دانشگاه کارشناسی نامه پایان ،1388٫
3.“ها الگوریتم و مفاهیم ،پیشرفته کاوی داده”مهندس ،شهرابی جمال دکتر ،،شجاعی ذوالقدر علی1388انتشارات ،
کبیر امیر صنعتی دانشگاه دانشگاهی جهاد.
4. Pavel Berkhin, “Survey of Clustering Data Mining Techniques”
5. Murphy, Kevin. Machine learning a probabilistic perspective. MIT Press, 2012. 875.
ISBN 0262018020.
6. Han, J., Kamber, M., & Pei, J. (2011). Data mining : concepts and techniques (3rd
ed.). Morgan Kaufmann Publishers.
7. MATLAB Help.