, there are promising alternatives

, there are promising alternatives available. For instance constraint K-Means avoids creating empty clusters the way K-means does, by introducing an extra step defining constraints for the algorithm at the beginning [20]. Also weighted K-Means could be used as it calculates each cluster’s centroid not by simply calculating the mean of all attribute values but by assigning weights to these [11]. This way each metric can be assigned weights using expert opinion. Finally we can avoid having to define the number of clusters in advance, and to depend on initial centre definition, if we employ clustering algorithms automating this process [7].

ผลลัพธ์ (ไทย) 1:

มีแนวโน้มทางเลือก เช่น ข้อจำกัดถึงหลีกเลี่ยงการสร้างว่างเปล่ากลุ่มวิธีถึงไม่ โดยการแนะนำขั้นตอนการเพิ่มการกำหนดข้อจำกัดสำหรับอัลกอริทึมที่จุดเริ่มต้น [20] ยัง ถึงถ่วงน้ำหนักอาจใช้เป็นเซนทรอยด์ของแต่ละคลัสเตอร์ไม่ใช่ โดยการคำนวณค่าเฉลี่ยของค่าแอตทริบิวต์ทั้งหมดเพียง แต่ โดยการกำหนดน้ำหนักเหล่านี้ [11] วิธีนี้แต่ละวัดสามารถกำหนดน้ำหนักความเห็นผู้เชี่ยวชาญการใช้ ในที่สุด เราสามารถหลีกเลี่ยง การกำหนดหมายเลขของคลัสเตอร์ล่วงหน้า และพึ่งเริ่มต้นศูนย์ความหมาย ถ้าเราอัลกอริธึม clustering โดยอัตโนมัติกระบวนการนี้ [7]

ผลลัพธ์ (ไทย) 2:

มีทางเลือกที่มีแนวโน้มที่มีอยู่ ยกตัวอย่างเช่นข้อ จำกัด K หมายถึงหลีกเลี่ยงการสร้างกลุ่มที่ว่างเปล่าทาง K-หมายถึงไม่โดยการแนะนำขั้นตอนพิเศษการกำหนดข้อ จำกัด สำหรับวิธีที่จุดเริ่มต้น [20] นอกจากนี้ยังถ่วงน้ำหนัก K หมายถึงสามารถใช้เป็นก็จะคำนวณ centroid แต่ละคลัสเตอร์ไม่โดยเพียงแค่การคำนวณค่าเฉลี่ยของค่าแอตทริบิวต์ แต่น้ำหนักมอบหมายให้เหล่านี้ [11] น้ำหนักวิธีนี้แต่ละตัวชี้วัดสามารถกำหนดโดยใช้ความคิดเห็นของผู้เชี่ยวชาญ ในที่สุดเราสามารถหลีกเลี่ยงที่จะกำหนดจำนวนกลุ่มล่วงหน้าและขึ้นอยู่กับความละเอียดศูนย์เริ่มต้นถ้าเราจ้างขั้นตอนวิธีการจัดกลุ่มอัตโนมัติกระบวนการนี้ [7]

ผลลัพธ์ (ไทย) 3:

การเลี้ยวเบน