k-Means AlgorithmStep 1: Analyst sp

k-Means Algorithm
Step 1: Analyst specifies k = number of clusters to partition data
Step 2: k records randomly assigned to initial clusters
Step 3: For each record, find cluster center
Each cluster center “owns” subset of records
Results in k clusters, C1, C2, ...., Ck
Step 4: For each of k clusters, find cluster centroid
Update cluster center location to centroid
Step 5: Repeats Steps 3 – 5 until convergence or termination

ผลลัพธ์ (ไทย) 1:

อัลกอริทึมหมายถึง kขั้นตอนที่ 1: นักวิเคราะห์ระบุราคา k =จำนวนคลัสเตอร์ไปยังพาร์ติชันข้อมูลขั้นตอนที่ 2: k ระเบียนแบบสุ่มกับคลัสเตอร์เริ่มต้นขั้นตอนที่ 3: สำหรับแต่ละเรกคอร์ด ค้นหาศูนย์คลัสเตอร์ ศูนย์แต่ละคลัสเตอร์ "เป็นเจ้าของ" ชุดย่อยของระเบียน ผลลัพธ์ในคลัสเตอร์ k, C1, C2,..., Ck ขั้นตอนที่ 4: ในแต่ละคลัสเตอร์ k ค้นหาเซนทรอยด์ของคลัสเตอร์ ปรับปรุงตำแหน่งศูนย์คลัสเตอร์เซนทรอยด์ขั้นตอนที่ 5: ทำซ้ำขั้นตอนที่ 3 – 5 บรรจบกันหรือเลิกจ้าง

ผลลัพธ์ (ไทย) 2:

k-หมายถึงขั้นตอนวิธี
ขั้นตอนที่ 1: นักวิเคราะห์ระบุ k = จำนวนกลุ่มพาร์ทิชันข้อมูล
ขั้นตอนที่ 2: บันทึก k สุ่มให้กลุ่มเริ่มต้น
ขั้นตอนที่ 3: สำหรับแต่ละระเบียนพบว่ากลุ่มศูนย์
แต่ละศูนย์คลัสเตอร์ "เจ้าของ" ส่วนหนึ่งของบันทึก
ผลในกลุ่ม k , C1, C2, .... , Ck
ขั้นตอนที่ 4: สำหรับแต่ละกลุ่ม k หา centroid คลัสเตอร์
สถานที่ตั้งศูนย์คลัสเตอร์ Update เพื่อ centroid
ขั้นตอนที่ 5: ซ้ำขั้นตอนที่ 3-5 จนบรรจบกันหรือเลิก

ผลลัพธ์ (ไทย) 3:

k-means ขั้นตอนวิธี
ขั้นที่ 1 : นักวิเคราะห์ระบุ K = จำนวนกลุ่มจะแบ่งขั้นตอนข้อมูล
2 : ประวัติแบบสุ่มที่เริ่มต้นกลุ่ม
ขั้นตอนที่ 3 สำหรับแต่ละระเบียน ค้นหากลุ่มคลัสเตอร์ศูนย์แต่ละศูนย์

" เจ้าของ " ย่อยของระเบียนผลลัพธ์ใน K กลุ่ม C1 , C2 , . . . . . . . CK
ขั้นตอนที่ 4 สำหรับแต่ละของ k กลุ่ม พบกลุ่มเซนทรอยด์
ปรับปรุงกลุ่มศูนย์ที่ตั้งก้าวเซนทรอยด์
5ทำซ้ำขั้นตอนที่ 3 – 5 จนกว่าจะบรรจบกันหรือการสิ้นสุด