پروژه خوشه بندی دیتاست COCOMA با استفاده از الگوریتمk-means در وکا(weka)


در حال بارگذاری
---
اکسل
فایل Word
دارد
۵۲,۴۰۰ تومان
خرید

پروژه خوشه بندی دیتاست COCOMA با استفاده از الگوریتمk-means در وکا(weka)

این پروژه داده های مربوط به دیتاست COCOMA را با استفاده از الگوریتم خوشه بندی K-MEANS در نرم افزار داده کاوی وکا (weka) خوشه بندی میکند. همان طور که می دانید الگوریتم خوشه بندی K-MEANS تعدادی خوشه را به عنوآن ورودی دریافت نموده و بر اساس تعداد خوشه های وارد شده(k) توسط کاربر، اقدام به خوشه بندی داده ها نموده و خروجی هایی را نمایش میدهد. عملیات خوشه بندی با استفاده از الگوریتم k-means انجام می گردد. روش کار بدین صورت است که ابتدا داده های مربوط به دیتاست COCOMA را به نرم افزار داده کاوی وکا  وارد نموده، سپس داده ها را جهت افزایش دقت خوشه بندی نرمال سازی می کنیم. پس از نرمال سازی داده ها الگوریتم k-means بروی داده های نرمال شده اعمال می گردد و خروجی را در قالب یک فایل اکسل با اضافه نمودن برچسپ خوشه(Cluster) تولید می کند.

الگوریتم استفاده شده جهت خوشه بندی دیتاست COCOMA k-means است. معیار خوشه بندی بر اساس اطلاعات دموگرافیک دیتاست COCOMA بوده و از فاصله اقلیدوسی جهت خوشه بندی داده های مصرف انرژی خانه هوشمند استفاده می شود. در این پروژه تعداد خوشه ها را می توان به صورت پویا تعیین نموده و نتایج را مورد بررسی قرار داد.

جهت خوشه بندی دیتاست COCOMA محصولات میبایست ابتدا داده های مربوطه را به فرم پذیرفته شده نرم افزار داده کاوی وکا تبدیل نمود. بدین منظور کافیست داده های اکسل یا داده های متنی تبدیل به یک فایل با پسوند CSV شوند. مراحل انجام خوشه بندی دیتاست COCOMA به صورت ذیل ارائه می گردد:

  1. ابتدا داده های مربوط به دیتاست COCOMA را تبدیل به فرمت قابل قبول وکا(یک فایل با پسوند CSV) می کنیم.
  2. سپس با استفاده از نرم افزار داده کاوی وکا و از طریق منوی preprocess، داده ها را به برنامه ایمپورت نموده و ادامه مراحل را انجام خواهیم داد.
  3. پس از وارد نمودن دیتاست COCOMA به نرم افزار، میبایست جهت انسجام داده ها یک فیلتر Normalize بروی دیتاست اعمال شود. بدین منظور از پنل Filter گزینه choose را انتخاب کرده و از منوی باز شده گزینه های weka à Filter è unsupervised è Normalize را انتخاب نموده و در نهایت بروی دکمه Apply کلیک میکنیم تا فیلتر مورد نظر به صورت زیر اعمال شود.
  4. به کلیه مراحل انجام شده بالا، پیش پردازش بروی داده ها گفته میشود. بعد از انجام مراحل فوق از منوی Cluster عملیات خوشه بندی را انجام می دهیم.
  5. لازم به ذکر است که جهت خوشه بندی داده ها و انتخاب ورودی های مسئله راه های مختلفی وجود دارد که در پژوهش فعلی انتخاب نمونه ها به صورت ۷۰% داده های آموزشی و ۳۰% داده های آزمایشی انتخاب شده است. در این مرحله کافیست از Cluster الگوریتم k-means را انتخاب نموده و با کلیک بروی نام آن به مراتب k های مختلف را مورد ارزیابی قرار دهیم.
  6. در نهایت به ازای کلیه k های تنظیم شده برای الگوریتم k-means میزان خطا را محاسبه و نسبت به سایر مقادیر، ارزیابی می کنیم.

بنابراین با انجام مراحل فوق می توان بر روی داده های مربوط به دیتاست COCOMA فرآیند خوشه بندی را انجام داده و نتایج مورد نظر را استخراج نمود.

امکانات پروژه خوشه بندی دیتاست COCOMA با استفاده از الگوریتمk-means در وکا(weka):

برخی از مهمترین امکانات این پروژه عبارتند از:

۱) تحویل یک فیلم ویدیویی از نحوه شبه سازی و خروجی وکا

۲) تحویل داکیومنت در قالب فایل word

۳)  تحویل دیتاست استفاده شده

 

توجه:

جهت سفارش پروژه دیگر با سایر الگوریتم ها و سایر ابزار های داده کاوی مثل Weka, SPSS Modeler, Matlab,… بر روی سایر دیتاست ها کافیست با پشتیبانی سایت از طریق راه های ارتباطی(ایمیل، تلگرام، واتساپ) تماس حاصل نموده و سفارش خود را ثبت نمایید

  راهنمای خرید:
  • لینک دانلود فایل بلافاصله پس از پرداخت وجه نمایش داده می شود.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید کافیست به ایمیل سایت درخواستتان را ارسال نمایید.
  • حدود 90% از پروژه ها دارای داکیومنت و فیلم آموزشی می باشند.