چکیده: خوشه
بندی یکی از مهم
ترین ابزارهای داده
کاوی است و در حال حاضر به طور گسترده در حوزه
های مختلف علوم، مورد استفاده قرار می
گیرد. بسیاری از روش
های خوشه
بندی بر پایه
ی عدم تشابه مشاهدات که حاصل محاسبه
ی یک تابع فاصله است، بنا شده
اند. پیشرفت علوم و تکنولوژی در دنیای امروز، محققان را با داده
هایی مواجه ساخته که تعداد متغیرهای توضیحی در آن
ها بسیار زیاد است. از آنجا که افزایش بعد، کارآیی توابع فاصله را کاهش می
دهد، خوشه
بندی در ابعاد بالا، یکی از مهم
ترین چالش
ها در این زمینه محسوب می
شود. در این پایان
نامه معیاری جدید برای محاسبه
ی عدم تشابه مشاهدات در ابعاد بالا، بر اساس رده
بندی روش جنگل تصادفی معرفی شده
است. طی مطالعه شبیه
سازی و کار با یک مثال واقعی، عدم تشابه جدید در ترکیبی از روش مقیاس
گذاری چندبعدی و روش خوشه
بندی افراز حول مدوید، اعمال گردیده و کارآیی آن نسبت به یکی از مرسوم
ترین توابع فاصله، مورد ارزیابی قرار گرفته
است.