Many clustering algorithms try to m

Many clustering algorithms try to minimize a function that measures the quality
of the clustering. Such a quality function is often referred to as the objective function, so clustering can be viewed as an optimization problem: the ideal clustering
algorithm would consider all possible partitions of the data and output the partitioning that minimizes the quality function. But the corresponding optimization problem
is NP hard, so many algorithms resort to heuristics (e.g., in the k-means algorithm
using only local optimization procedures potentially ending in local minima). The
main point is that clustering is a difficult problem for which finding optimal solutions is often not possible. For that same reason, selection of the particular clustering
algorithm and its parameters (e.g., similarity measure) depend on many factors, including the characteristics of the data. In the following paragraphs we describe the
k-means clustering algorithm and some of its alternatives.

ผลลัพธ์ (ไทย) 1:

อัลกอริทึมของระบบคลัสเตอร์จำนวนมากพยายามลดฟังก์ชันที่วัดคุณภาพของคลัสเตอร์ เช่นฟังก์ชันคุณภาพมักจะเรียกว่าฟังก์ชันวัตถุประสงค์ คลัสเตอร์เพื่อให้ สามารถใช้เป็นปัญหาปรับให้เหมาะสม: เหมาะคลัสเตอร์อัลกอริทึมจะพิจารณาการพาร์ติชันเป็นไปได้ของข้อมูล และผลลัพธ์ที่พาร์ทิชันที่ช่วยลดฟังก์ชันคุณภาพ แต่ปัญหาปรับให้เหมาะสมสอดคล้องกันมีหลายรีสอร์ทอัลกอริทึมการลองผิดลองถูก (เช่น ในอัลกอริทึมหมายถึง k หนัก NPใช้เฉพาะท้องถิ่นเพิ่มประสิทธิภาพกระบวนอาจสิ้นสุดในกมินิมาท้องถิ่น) ที่จุดสำคัญคือ ว่า คลัสเตอร์เป็นปัญหา difficult finding ที่โซลูชั่นที่เหมาะสมไม่มักจะเป็นไปได้ เหตุผลเดียวกัน ตัวเลือกของคลัสเตอร์โดยเฉพาะอัลกอริทึมและพารามิเตอร์ (เช่น คล้ายวัด) ขึ้นอยู่กับปัจจัยมากมาย รวมถึงลักษณะของข้อมูล ในย่อหน้าต่อไปนี้ เราอธิบายการk หมายถึงอัลกอริทึมระบบคลัสเตอร์และบางส่วนของทางเลือก

ผลลัพธ์ (ไทย) 2:

ขั้นตอนวิธีการจัดกลุ่มหลายคนพยายามที่จะลดฟังก์ชั่นที่ใช้วัดคุณภาพ
ของการจัดกลุ่ม เช่นฟังก์ชั่นที่มีคุณภาพมักจะถูกเรียกว่าฟังก์ชันวัตถุประสงค์เพื่อให้การจัดกลุ่มสามารถมองได้ว่าปัญหาการเพิ่มประสิทธิภาพ: การจัดกลุ่มที่เหมาะ
จะพิจารณาขั้นตอนวิธีพาร์ทิชันที่เป็นไปได้ทั้งหมดของข้อมูลและการส่งออกแบ่งพาร์ทิชันที่ช่วยลดการทำงานที่มีคุณภาพ แต่ปัญหาการเพิ่มประสิทธิภาพที่สอดคล้องกัน
คือปัญหาหนักขั้นตอนวิธีการจำนวนมากหันไปใช้การวิเคราะห์พฤติกรรม (เช่นใน k-หมายถึงขั้นตอนวิธีการ
ใช้เพียงขั้นตอนการเพิ่มประสิทธิภาพท้องถิ่นอาจสิ้นสุดในท้องถิ่นน้อย)
จุดที่สำคัญคือการจัดกลุ่มที่เป็นปัญหาที่ยากที่ที่สายการแก้ปัญหาที่ดีที่สุด nding มักจะเป็นไปไม่ได้ ด้วยเหตุผลเดียวกับที่เลือกของการจัดกลุ่มโดยเฉพาะอย่างยิ่ง
ขั้นตอนวิธีการและพารามิเตอร์ (เช่นวัดความคล้ายคลึงกัน) ขึ้นอยู่กับหลายปัจจัยรวมถึงลักษณะของข้อมูล ในย่อหน้าต่อไปนี้เราจะอธิบาย
ขั้นตอนวิธีการจัดกลุ่ม k-วิธีการและบางส่วนของทางเลือกของ

ผลลัพธ์ (ไทย) 3:

จำนวนมากการจัดกลุ่มขั้นตอนวิธีการพยายามลดฟังก์ชันที่ใช้วัดคุณภาพ
ของการจัดกลุ่ม . เช่นคุณภาพของฟังก์ชันมักจะเรียกว่าเป็นฟังก์ชันวัตถุประสงค์เพื่อให้ข้อมูลสามารถมองว่าเป็นปัญหาการเพิ่มประสิทธิภาพ : เหมาะสำหรับ
อัลกอริทึมจะพิจารณาพาร์ทิชันที่เป็นไปได้ทั้งหมดของข้อมูลและการลดฟังก์ชันเอาต์พุตที่ได้คุณภาพแต่ที่เป็นปัญหาคือ การเพิ่มประสิทธิภาพ
แข็งมากใช้ฮิวริสติกอัลกอริทึม ( เช่นใน k-means ขั้นตอนวิธีการเพิ่มประสิทธิภาพขั้นตอนเท่านั้น
ท้องถิ่นอาจสิ้นสุดในไม่นี่ ม๊าท้องถิ่น )
ประเด็นหลักที่เป็นปัญหาจึงแยกกลุ่มศาสนาซึ่งจึงหาโซลูชั่นที่เหมาะสมมักจะเป็นไปไม่ได้ เหตุผลที่เหมือนกัน การเลือกเฉพาะการจัดกลุ่ม
ขั้นตอนวิธีและพารามิเตอร์ ( เช่น คล้ายวัด ) ขึ้นอยู่กับปัจจัยหลายอย่าง รวมทั้งลักษณะของข้อมูล ในย่อหน้าที่เราอธิบาย
k-means การจัดกลุ่มขั้นตอนวิธีและบางส่วนของทางเลือกต่อไปนี้