روش DBSCAN

خوشه بندی روشی رایج برای تجزیه و تحلیل داده های مختلف در بسیاری از زمینه ها است، از جمله میتوان به شناسایی آماری، بانکداری،داده کاوی، تجزیه و تحلیل تصویر و …اشاره نمود. خوشه بندی فرآیند گروه-بندی اشیای مشابه به گروه های مختلف یا به بیان دقیق تر، تقسیم مجموعه ای از داده ها به زیر مجموعه های مجزا است. نکته ی اصلی، مشخص نبودن تعداد گروه ها در خوشه بندی است، بگونه ای که در خوشه بندی متخصصین، سلیقه ای عمل می نمایند. این رساله به دنبال ارایه ی راه کاری برای خوشه بندی پویای مشتریان بانک، بر مبنای الگوریتم ژنتیک با لحاظ نمودن روش LRFM می باشد. به عبارت دقیق تر، الگوریتم ژنتیک سعی خواهد کرد از بین فیلدهای اطلاعاتی مختلفی که در مورد مشتریان بانک در پایگاه داده وجود دارد؛ فیلدهای مناسبی را در کنار ویژگی-های به کار رفته در روش LRFM قرار دهد تا نتایج مناسب تری را در خوشه بندی مشتریان بانک به دست آورد، تصمیم گیری در مورد تعداد گروه های موجود نیز بر عهده ی الگوریتم ژنتیک خواهد بود. پیاده سازی-های مختلف الگوریتم ژنتیک با استفاده از تابع های مختلف جهش و پیوند انجام پذیرفته تا دستیابی به بهترین حالت پیاده سازی گردد. شایان ذکر است تمامی روش های پیوند و جهش (به دلیل تعدد زیاد) قابل آزمون نیستند. لیکن، روند به گونه ای طراحی شده تا در پیاده سازی، بهبود نسبت به روش پایه LRFM و برخی روش های رقیب حاصل گردد.