
تکنيکهاي خوشهبندي جز ابزارهاي دادهکاوي غيرمستقيم ميباشند. هدف از دادهکاوي غيرمستقيم يافتن ساختار در مجموعهاي از دادهها ميباشند. هيچ متغير هدفي وجود ندارد که به دنبال پيش بيني آن باشيم، بنابراين هيچ تفاوتي بين متغيرهاي مستقل و و وابسته وجود ندارد.
مزاياي خوشهبندي عبارتند از:
- مناسب براي استفاده براي دادههاي گوناگون: با انتخاب درست اندازه فاصلههاي گوناگون خوشهبندي را ميتوان براي بيشتر دادهها استفاده کرد.
- خوشهبندي يک روش غيرمستقيم: قدرت روش خوشهبندي به غيرمستقيم بودن آن است بدين معني که اين روش را ميتوان حتي هنگامي که هيچ نوع اطلاعات قبلي از ساختار داخلي پايگاه دادهها نداريم استفاده نمود. از اين روش ميتوان براي کشف الگوهاي پنهان و بهبود عملکرد روشهاي مستقيم نيز استفاده کرد.
- سهولت استفاده و قابليت فهم نتايج براي مديران: در اين روش لازم نيست که بعضي فيلدها را به عنوان ورودي و بعضي ديگر را به عنوان خروجي در نظر بگيريم. در بيشتر روشهای خوشهبندي کمتر به وزن دهي دادهها نياز است.
- امکان مرور سريع بر دادهها
- مناسب براي گروههاي زياد دادهها
- مناسب براي اندازه گيري مشابهتهاي غيرمعمولي
- قابل استفاده براي انواع دادهها
- قابليت تفسير نتايج (تفاوت در تفسير نتايج به عنوان يک عيب براي خوشهبندي مد نظر است)
- همچنين به لحاظ کاربردي خوشهبندي سبب بهينه سازي فعاليت جستجوي اطلاعات شده و زمان جستجوي کاربر را کاهش ميدهد (محمدعليپور و درودي, 1386).
هدف از خوشهبندي، بخشبندي يک مجموعه ساختار نيافته از عناصر درون خوشهها يا گروههاي مشخص است ، که تمايل دارد اجزاي خرد را به عنوان عوامل مشترک در همان خوشهاي قراردهد که داراي صفات يکسان هستند و عناصر غير مشترک را تا حد ممکن در خوشهاي جاي دهد که به آن تعلق دارد (Rosell, 2006). براي اين گروهبندي بايد معيارهاي مناسبي داشته باشيم. اما بهترين معيار منحصر به فرد براي هيچ صنعت و کسب و کاري وجود ندارد. معيار خوشهبندي به هدف نهايي خوشهبندي بستگي دارد.
