The basic k-means is an extremely s

The basic k-means is an extremely simple and efficient algorithm. However, it
does have several shortcomings: (1) it assumes prior knowledge of the data in order
to choose the appropriate k ; (2) the final clusters are very sensitive to the selection of
the initial centroids; and (3), it can produce empty cluster. k-means also has several
limitations with regard to the data: it has problems when clusters are of differing
sizes, densities, and non-globular shapes; and it also has problems when the data
contains outliers.

ผลลัพธ์ (ไทย) 1:

K-หมายถึงพื้นฐานแสนง่ายและ efficient อัลกอริทึมได้ อย่างไรก็ตาม มันมีการแสดงต่าง ๆ: ไอที (1) ถือว่าความรู้เดิมของข้อมูลในใบสั่งเลือก k ที่เหมาะสม (2 คลัสเตอร์ final)มีความสำคัญมากในการเลือกcentroids เริ่มต้น และ (3), สามารถผลิตคลัสเตอร์ที่ว่างเปล่าได้ k-หมายความว่ายังมีหลายข้อจำกัดเกี่ยวกับข้อมูล: มีปัญหาเมื่อคลัสเตอร์แตกต่างกันขนาด ความหนาแน่น และรูป ร่างไม่ใช่ globular และยังมีปัญหาเมื่อข้อมูลประกอบด้วย outliers

ผลลัพธ์ (ไทย) 2:

พื้นฐาน k หมายถึงเป็นไฟง่ายมากและ EF อัลกอริทึมเพียงพอ แต่ก็
จะมีข้อบกพร่องหลายประการ: (1) จะอนุมานความรู้เดิมของข้อมูลเพื่อ
การเลือกที่เหมาะสม k; (2) สาย NAL ในกลุ่มมีความสำคัญมากกับการเลือกของ
จุดศูนย์ถ่วงเริ่มต้น; และ (3) จะสามารถผลิตคลัสเตอร์ที่ว่างเปล่า k-หมายถึงยังมี
ข้อ จำกัด ในเรื่องเกี่ยวกับข้อมูล: มันมีปัญหาเมื่อกลุ่มมีความแตกต่างกัน
ขนาดความหนาแน่นและรูปร่างที่ไม่เป็นรูปทรงกลม; และก็ยังมีปัญหาเมื่อข้อมูลที่
มีค่าผิดปกติ

ผลลัพธ์ (ไทย) 3:

การ k-means พื้นฐานเป็นง่ายมากและ EF จึง cient ขั้นตอนวิธี อย่างไรก็ตาม มันก็มีหลายข้อบกพร่อง
: ( 1 ) มันถือว่าความรู้เดิมของข้อมูลเพื่อ
เพื่อเลือกที่เหมาะสม K ; ( 2 ) นัล กลุ่มจึงมีความไวต่อการคัดเลือก
จุดเซนทรอยด์เริ่มต้น ; และ ( 3 ) , มันสามารถสร้างคลัสเตอร์ที่ว่าง k-means ยังมีข้อจำกัดหลาย
เกี่ยวกับข้อมูลที่ :มันมีปัญหาเมื่อกลุ่มมีขนาดแตกต่างกัน
, ความหนาแน่น และไม่ใช่ทรงกลมรูปร่าง และมันก็มีปัญหาเมื่อข้อมูลมีการแจกแจง

.