خاکبرداری (شناسایی نقاطی که دارای خاک مشابه هستند)
بیمه (شناسایی مشتریانی که میانگین هزینه بالایی را ادعا میکنند)
برنا مه ریزی شهری (گروه بندی خانه های شهر بر اساس نوع، ارزش و مکان جغرافیایی)
مطالعات زمین لرزه ( گروه بندی مراکز زمین لرزه های مشاهده شده)، (غضنفری و همکاران. ۱۳۸۷، ص ۱۰۶-۱۰۵).
تحلیل خوشه ای برای حل مساله ای طراحی شده است که در آن با در دست داشتن نمونه ای از n فرد و اندازه گیری p متغیر بر روی هر فرد می توان افراد را در کلاس هایی خوشه بندی کرد که افراد مشابه در داخل یک کلاس قرار گیرند. روش ها برای کاهش داده ها مفید است. تحلیل خوشه ای به روش های مختلفی قابل اجرا است اما لزوما نتایج یکسانی را بدست نمی دهد. تحلیل خوشه ای با روش هایی مثل ادغام کردن نزدیک ترین همسایه، ادغام کردن دورترین همسایه ها، ادغام کردن بر حسب متوسط گروه، روش ward و …انجام داد. نتایج حاصل از تحلیل خوشه ای معمولا توسط یک دندوگرام نشان داده می شود. استفاده از تحلیل خوشه ای با داده های استاندارد شده برای شناسایی بخش های بازار برای اولین بار توسط اسچانینگر و باوس ^[۱۴]در سال ۱۹۸۶ مطرح شده است. تکنیک های تحلیلی که برای بخش بندی بازار مورد استفاده قرار می گیرند در سه دسته زیر جای می گیرند:

( 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. )

۱­. مرحله آماده سازی داده ها:
این مرحله شامل تحلیل عاملی^[۱۵]، تجزیه و تحلیل تناظر ^[۱۶]و تجزیه و تحلیل توام ^[۱۷]است.

2. 2. تجزیه و تحلیل داده ها:

که شامل تحلیل خوشه ای^[۱۸]، شبکه های عصبی و مصنوعی و CARTیا CHAIZ

3. 3. طبقه بندی داده ها:

این مرحله شامل تجزیه و تحلیل تشخیصی، رگرسیون چندگانه، منطق چند متغیره، مقیاس گذاری چند متغیره می شود .(Tam & Tai, 1998, pp.61-77)
۱٫۵٫۱٫۲- انواع تکنیک های خوشه بندی

1. 1. خوشه بندی سلسله مراتبی

1. 1. خوشه بندی غیر سلسله مراتبی

1. 1. خوشه بندی دو مرحله ای( ترکیبی)

۱٫۱٫۵٫۱٫۲- روش خوشه بندی سلسله مراتبی:
در واقع این روش دارای یک ساختار درختی سلسله مراتبی است. در روش خوشه بندی سلسله مراتبی به خوشه های نهایی بر اساس میزان عمومیت آنها ساختاری سلسله مراتبی معمولا به صورت درختی نسبت داده می شود. به این درخت سلسله مراتبی دندوگرام ^[۱۹]می گویند. روش های خوشه بندی بر اساس ساختار سلسله مراتبی تولیدی آنها معمولا به دو دسته زیر تقسیم می شوند:
خوشه بندی از بالا به پایین یا تقسیم کننده: در این روش ابتدا داده ها به عنوان یک خوشه در نظر گرفته می شوند و سپس در طی یک فرایند تکراری در هر مرحله داده هایی که شباهت کمتری به هم دارند به خوشه های مجزایی شکسته می شوند و این روال تا رسیدن به خوشه هایی که دارای یک عضو هستند ادامه پیدا می کند.
خوشه بندی از پایین به بالا یا متراکم شونده: در این روش ابتدا هر داده به عنوان خوشه ای مجزا در نظر گرفته می شود و در طی فرایندی تکراری در هر مرحله خوشه هایی که شباهت بیشتری با یکدیگر داشته باشند ترکیب می شوند تا در نهایت یک خوشه و یا تعداد مشخصی خوشه حاصل شود. از انواع الگوریتم های خوشه بندی سلسله مراتبی متراکم شونده می توان Complete-Link ) (Single-Link,Average-Link, را نام برد. تفاوت اصلی در بین تمام این روش ها به نحوه محاسبه شباهت بین خوشه ها مربوط می شود.
روش های خوشه بندی سلسله مراتبی مانند وارد (ward)، روش اتصال متوسط (Average Linkage Method)، روش اتصال کامل ((Complete Linkage Method ، از این مزیت بر خوردارند که قادرند تعداد خوشه ها را تعیین کنند ، اما به هر حال در برابر حجم بالای داده ها از توانایی لازم برخوردار نیستند و همچنین قادر به کشف و مبارزه با نقاط مزاحم نیستند (Puaj and Stewart , 1983).
۲٫۱٫۵٫۱٫۲- روش خوشه بندی غیر سلسله مراتبی:
در مقابل روش های سلسله مراتبی، فرایند خوشه بندی غیر سلسله مراتبی از یک ساختار درختی تبعیت نمی کند، بلکه در این روش اولین قدم انتخاب مرکز یا مبدا یا بذر اولیه است. با تعیین این بذر اولیه کلیه افراد درون یک فاصله آستانه ای در آن خوشه قرار می گیرند. فرایند خوشه ای غیر سلسله مراتبی به طور متوالی به خوشه بندی k میانگین ارجاع داده می شود از روش های خوشه بندی غیر سلسله مراتبی می توان موارد زیر را نام برد:
روش آستانه موازی: در اینجا تعدادی مبنا با بذر خوشه ای به طور همزمان در بدو شروع انتخاب می شود و سپس افراد درون فاصله آستانه ای به نزدیک ترین بذر تعلق می گیرند. با آغاز فرایند خوشه بندی، فاصله های آستانه ای می توانند تعدیل شوند تا تعدادی از افراد در هر یک از خوشه ها طبقه بندی شوند.
روش آستانه متوالی: این روش با انتخاب یک مبنا یا بذر، تمام افراد درون آستانه ای از قبل تعیین شده را شامل می شود. زمانی که تعداد افراد درون فاصله مورد نظر مشخص شدند، دومین بذر خوشه انتخاب شده و تمام افراد درون فاصله انتخاب شده فوق را در بر می گیرد. سپس سومین بذر خوشه انتخاب و همان فرایند ادامه می یابد تا وقتی که یک موضوع یا فرد بر اساس یک مبنای خوشه بندی شده در خوشه بعدی قرار نمی گیرد.
روش بهینه کردن ( آپتیمم): این روش نیز شبیه دو روش قبلی است اما با این تفاوت که در این روش امکان جابجایی از یک خوشه به خوشه دیگر برای افراد یا موضوعات وجود دارد ( یحیی پور جلالی، ۱۳۸۸، ص ۶۳-۶۱).
روش های خوشه بندی غیر سلسله مراتبی مانند K-Means ، با آنکه قادر به تعیین تعداد خوشه ها نیستند اما در صورتی که خوشه های اولیه به عنوان ورودی به نحو مطلوبی در اختیار آنها قرار گیرد خوشه بندی خوبی را انجام می دهند ضمن آنکه خوشه بندی غیر سلسله مراتبی به خوبی با نقاط مزاحم مبارزه می کند و در برابر حجم بزرگ داده ها توانا عمل می کند (Puaj and Stewart , 1983).
۳٫۱٫۵٫۱٫۲- خوشه بندی دو مرحله ای:
یک ابزار اکتشافی است که گروهبندی یا خوشه بندی طبیعی را در مجموعه ای از داده ها که ساختار نامعلومی دارند آشکار میسازد. روش خوشه بندی دو مرحله ای از دو روش سلسله مراتبی و غیر سلسله مراتبی استفاده می کند. در مرحله اول از سلسله مراتبی استفاده می شود تا تعداد اولیه خوشه ها را که برای خوشه بندی غیر سلسله مراتبی لازم است تعیین کند ( مانند روش وارد ((ward. در مرحله دوم روش غیر­سلسله­مراتبی بکار گرفته می شود تا جواب نهایی بهتری نسبت به غیر سلسله مراتبی بدست آید مانند روش
(K-Means). در واقع این روش با در نظر گرفتن همه شرایط بهترین روش از خوشه بندی را فراهم می کند.
بنابراین با توجه به مطالب ذکر شده در بالا می توان روش های مختلف خوشه بندی را در جدول زیر خلاصه کرد.
جدول ۴٫۲: انواع روش های خوشه بندی