Optimierung des k-means Clustering mit Hilfe eines genetischen Algorithmus

Im Laufe der Zeit sammelt sich eine enorme Menge an Daten an. Die Informationsextraktion ist einer der zeitaufwändigsten Prozesse, da sie je nach denAnforderungen des Nutzers sehr unterschiedlich ist . Die verschiedenen Ansätze des Data Mining werden eingesetzt, um relevante Daten zusammenzustellen und sie für den Endnutzer verständlich zu präsentieren. Clustering und Klassifizierung sind zwei Data-Mining-Techniken, mit denen bisher unbekannte Muster und Erkenntnisse aufgedeckt werden können.In dieser Zusammenfassung wird der Einsatz von Data-Mining-Techniken, insbesondere Clustering und Klassifizierung, erörtert, um relevante Informationen aus gesammelten Daten zu extrahieren. Es wird hervorgehoben, wie wichtig die Auswahl eines geeigneten Clustering-Algorithmus ist, und es wird das Konzept der Verwendung eines genetischen Algorithmus zur Verbesserung der k-means Clustering-Methode vorgestellt. Die vorgeschlagene Methode zielt auf die Optimierung des Clustering-Prozesses ab und demonstriert ihre Effektivität durch einen szenariobasierten Test. Die Zusammenfassung schließt mit Vorschlägen für zukünftige Forschungen zur weiteren Optimierung des k-means Algorithmus mit Hilfe verschiedener evolutionärer Methoden.

Gaurav Dwivedi ist Assistenzprofessor an der Fakultät für CSE/CA der United University, Prayagraj. Er verfügt über 5 Jahre Lehrerfahrung und hat einen M.Tech- und B.Tech-Abschluss in CSE. Mit seinen Patenten und Veröffentlichungen in internationalen Fachzeitschriften sowie Vorträgen auf internationalen Konferenzen hat er zur Forschung beigetragen.