التعلم غير خاضع للإشراف باستخدام خوارزمية K-means

الملخص

يهدف هذا البحث إلى تطبيق خوارزمية k-means، التي تُعتبر إحدى أهم تقنيات التعلم غير المُشرف عليه في تجميع البيانات غير المصنفة. وقد اختبرنا تطبيقها على مجموعة بيانات ثنائية الأبعاد تتكون من (300،2) مأخوذة من منصة Kaggle. قمنا بتنزيل البيانات ثم حددنا يدويًّا عدد المجموعات K=3، حيث إن تحديد المجموعات هو المشكلة الرئيسية في الخوارزمية. كما حددنا عدد التكرارات T=6، وأظهرت النتائج أن الخوارزمية تحسنت تدريجيًّا عبر التكرارات. استخدمنا مقاييس التقييم لتقييم أداء الخوارزمية، حيث استخدمنا دالة الهدف، التي انخفضت من 4719.65 إلى 266.65 عند الاستقرار النهائي. كما أظهرت مقاييس التماسك انخفاضًا ملحوظًا، مما يعكس الترابط بين النقاط داخل كل مجموعة. أما مقياس التقييم «الفصل» فيُظهر المسافة بين المجموعات. تشير هذه النتائج إلى فعالية الخوارزمية في تقسيم البيانات إلى مجموعات في وقت قصير وبكفاءة عالية. ومع ذلك، فإن الاعتماد على الإدخال اليدوي لعدد المجموعات K يمثل مشكلة رئيسية للخوارزمية ويتطلب المزيد من الحلول. لذلك، ينبغي أن تستكشف الأبحاث المستقبلية طرقًا لحل هذه المشكلة، خاصة في حالة مجموعات البيانات الكبيرة، مثل استخدام طريقة (Elbow)، حيث إن الجمع بين هذه الطرق يعزز النتائج ويحدد k بطريقة غير يدوية، مما يجعل عملية التجميع أكثر دقة وفعالية.