Clustering algorithms

Celem mojej pracy jest przedstawienie pojęcia klasteryzacji oraz algorytmów klasteryzacyjnych. Ich zadaniem jest podział zbioru obiektów w grupy na podstawie ich właściwości. Każdy obiekt znajdujący się w danej grupie, powinien być bardziej podobny do obiektu znajdującego się w tej samej grupie niż do jakiegokolwiek obiektu znajdującego się w innej grupie. W pierwszej części pracy zajmę się zagadnieniami teoretycznymi, opiszę terminy związane z klasteryzacją, co ułatwi zrozumienie kolejnych rozdziałów. Następnie opiszę kilka algorytmów, przedstawię ich właściwości oraz zalety i wady. W kolejnym rozdziale dokonam charakterystyki porównawczej algorytmu k-średnich i rozmytego c-średnich ze względu na wydajność oraz jakość rozwiązań. W ostatniej części opiszę aplikację mojego autorstwa, która umożliwia wykonywanie algorytmów klasteryzacyjnych na zbiorach danych i wizualizację wyników w formie wykresów i tabel.The aim of this thesis is to present a concept of clustering and clustering algorithms. The task of cluster analysis involves a grouping a set of objects on the basis of their attributes. Based on this analysis, an object within a particular group should be more similar to another object in the same group as compared to any other object from a different group. The first part of my work is devoted to the theoretical issues, terms and definitions. This will facilitate understanding of the subsequent chapters. In the second part I move on to describe some algorithms by presenting their attributes, advantages and disadvantages. In the third section I will conduct comparative characteristics of a k-means algorithm and a fuzzy c-means algorithm on the grounds of their efficiency and quality of the solutions. Finally, I will explain an application I created, which allows an application of a cluster analysis on data sets and a visualization of results in the form of charts and tables