نتایج جستجو برای: تحلیل K-Means
تعداد نتایج: 937845 فیلتر نتایج به سال:
k-means++ is a seeding technique for the k-means method with an expected approximation ratio of O(log k), where k denotes the number of clusters. Examples are known on which the expected approximation ratio of k-means++ is Ω(log k), showing that the upper bound is asymptotically tight. However, it remained open whether k-means++ yields an O(1)-approximation with probability 1/poly(k) or even wi...
Due to the progressive growth of the amount of data available in a wide variety of scientific fields, it has become more difficult to manipulate and analyze such information. In spite of its dependency on the initial settings and the large number of distance computations that it can require to converge, the K-means algorithm remains as one of the most popular clustering methods for massive data...
The k-means++ algorithm is the state of the art algorithm to solve k-Means clustering problems as the computed clusterings are O(log k) competitive in expectation. However, its seeding step requires k inherently sequential passes through the full data set making it hard to scale to massive data sets. The standard remedy is to use the k-means‖ algorithm which reduces the number of sequential rou...
در این پروژه شبکه عصبی احتمالی، الکوریتم k-means و تحلیل مولفه های اصلی برای طبقه بندی خودکار طیف های ستاره ای به کارگرفته شده اند. برای رسیدن به این هدف،ازمجموعه طیف های ستاره ای جمع آوری شده توسط sloandigitalskysurveysegue-dr9 و dr10 استفاده شده است، که شامل 400013 طیف با بازه مشترک طول موجی 3850تا 8900 آنگستروم می باشد. طیف های ستاره ای اغلب شامل مقدار زیادی اطلاعات اضافی یا نوفه می باشند...
We run experiments showing that algorithm clarans (Ng et al., 2005) finds better Kmedoids solutions than the standard algorithm. This finding, along with the similarity between the standard K-medoids and K-means algorithms, suggests that clarans may be an effective K-means initializer. We show that this is the case, with clarans outperforming other popular seeding algorithms on 23/23 datasets w...
identifying clusters or clustering is an important aspect of data analysis. it is the task of grouping a set of objects in such a way those objects in the same group/cluster are more similar in some sense or another. it is a main task of exploratory data mining, and a common technique for statistical data analysis this paper proposed an improved version of k-means algorithm, namely persistent k...
چون در اکثر رویدادها علم پزشکی بصورت غیرقطبی و مبهم با علائم فیزیولوژیکی بیان می شوند و این نوع مطالعات عموما مبهم و نادقیق هستند. در نتیجه برای بررسی این مفاهیم براساس نظریه های تئوریهای فازی و الگوریتم های آن که مهمترین آنها خوشه بندی فازی است استفاده می شود و از ویژگیهای مهم الگوریتم خوشه بندی فازی آنست که در ساختار الگوریتم فازی در خوشه بندی از تابع عضویت فازی استفاده می شود و یک فرد ممکن ا...
Identifying clusters or clustering is an important aspect of data analysis. It is the task of grouping a set of objects in such a way those objects in the same group/cluster are more similar in some sense or another. It is a main task of exploratory data mining, and a common technique for statistical data analysis This paper proposed an improved version of K-Means algorithm, namely Persistent K...
هدف از این تحقیق بررسی و توسعه الگوریتم های خوشه بندی جهت بخش بندی ابر نقاط نا منظم لیزر اسکنرهای هوایی برای بازسازی مدل سه بعدی ساختمان می باشد. روش کلی به کار گرفته شده در این پژوهش بازسازی داده مبنا می باشد. هسته اصلی بازسازی داده مبنا الگوریتم خوشه بندی نقاط لیدار است. در این تحقیق چهار روش مطرح خوشه بندی بررسی، پیاده سازی و ارزیابی شده است. این چهار روش عبارتند از خوشه بندی به روش k-means،...
دسته بندی نمونه های مختلف اندامی انسان با استفاده از قواعد معنی دار به دست آمده از تحلیل داده های مربوط به بخش های مختلف بدن بسیار مهم و در بسیاری از علوم استفاده می شود. به کارگیری روش های داده کاوی روی این داده ها و استخراج قواعد معنی دار آن ها می تواند برای دسته بندی این نمونه های مختلف و در نهایت تعیین سامانه اندازه بندی پوشاک مفید واقع شود. نکته مهم در گروه بندی شکل بدن، شناخت تفاوت های بد...
نمودار تعداد نتایج جستجو در هر سال
با کلیک روی نمودار نتایج را به سال انتشار فیلتر کنید