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 func-
tion, so clustering can be viewed as an optimization problem: the ideal clustering
algorithm would consider all possible partitions of the data and output the partition-
ing that minimizes the quality function. But the corresponding optimization problem
is NP hard, so many algorithms resort to heuristics (e.g., in the kmeans 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 solu-
tions 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, in-
cluding 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 เช่นฟังก์ชันคุณภาพมักจะเรียกว่าประสงค์ func-สเตรชัน ดังนั้นคลัสเตอร์สามารถใช้เป็นปัญหาปรับให้เหมาะสม: เหมาะคลัสเตอร์อัลกอริทึมจะพิจารณาพาร์ติชันเป็นไปได้ของข้อมูล และแสดงผลพาร์ติชัน-กำลังที่ช่วยลดการทำงานคุณภาพ แต่ปัญหาปรับให้เหมาะสมสอดคล้องกันมีหลายรีสอร์ทอัลกอริทึมการลองผิดลองถูก (เช่น ในอัลกอริทึม kmeans ยาก NPใช้เฉพาะท้องถิ่นเพิ่มประสิทธิภาพกระบวนอาจสิ้นสุดในกมินิมาท้องถิ่น) ที่จุดหลักคือคลัสเตอร์ ปัญหา difficult สำหรับการ finding สุด solutions มักไม่ได้ เหตุผลเดียวกัน ตัวเลือกของคลัสเตอร์โดยเฉพาะอัลกอริทึมและพารามิเตอร์ (เช่น คล้ายวัด) ขึ้นอยู่กับปัจจัยหลายอย่าง ในcluding ลักษณะของข้อมูล ในย่อหน้าต่อไปนี้ เราอธิบายการk หมายถึงอัลกอริทึมระบบคลัสเตอร์และบางส่วนของทางเลือก

ผลลัพธ์ (ไทย) 2:

ขั้นตอนวิธีการจัดกลุ่มหลายคนพยายามที่จะลดฟังก์ชั่นที่ใช้วัดคุณภาพ
ของการจัดกลุ่ม เช่นฟังก์ชั่นที่มีคุณภาพมักจะถูกเรียกว่าฟังก์ชันวัตถุประสงค์
การเพื่อให้การจัดกลุ่มสามารถมองได้ว่าปัญหาการเพิ่มประสิทธิภาพ: การจัดกลุ่มที่เหมาะ
จะพิจารณาขั้นตอนวิธีพาร์ทิชันเป็นไปได้ทั้งหมดของข้อมูลและการส่งออก partition-
ไอเอ็นจีที่ช่วยลดการทำงานที่มีคุณภาพ แต่ปัญหาการเพิ่มประสิทธิภาพที่สอดคล้องกัน
คือปัญหาหนักขั้นตอนวิธีการจำนวนมากหันไปใช้การวิเคราะห์พฤติกรรม (เช่นในขั้นตอนวิธี kmeans
ใช้เพียงขั้นตอนการเพิ่มประสิทธิภาพท้องถิ่นอาจสิ้นสุดในท้องถิ่นน้อย)
จุดที่สำคัญคือการจัดกลุ่มเป็นปัญหาที่ยากที่ที่สาย nding โซลูชันที่ดีที่สุด
ทั้งนี้มักจะเป็นไปไม่ได้ ด้วยเหตุผลเดียวกับที่เลือกของการจัดกลุ่มโดยเฉพาะอย่างยิ่ง
ขั้นตอนวิธีการและพารามิเตอร์ (เช่นวัดความคล้ายคลึงกัน) ขึ้นอยู่กับหลายปัจจัย in-
cluding ลักษณะของข้อมูล ในย่อหน้าต่อไปนี้เราจะอธิบาย
ขั้นตอนวิธีการจัดกลุ่ม k-วิธีการและบางส่วนของทางเลือกของ

ผลลัพธ์ (ไทย) 3:

จำนวนมากการจัดกลุ่มขั้นตอนวิธีการพยายามลดฟังก์ชันที่ใช้วัดคุณภาพ
ของการจัดกลุ่ม . เช่นคุณภาพของฟังก์ชันมักจะเรียกว่าเป็นวัตถุประสงค์ func -
tion เพื่อการจัดกลุ่มสามารถมองว่าเป็นปัญหาการเพิ่มประสิทธิภาพ : เหมาะสำหรับ
อัลกอริทึมจะพิจารณาความเป็นไปได้ทั้งหมดพาร์ทิชันของข้อมูลและออกพาร์ทิชัน -
ไอเอ็นจีที่ช่วยลดคุณภาพการทำงานแต่ที่เป็นปัญหาคือ การเพิ่มประสิทธิภาพ
แข็งมากใช้ฮิวริสติกอัลกอริทึม ( เช่นใน kmeans ขั้นตอนวิธีการเพิ่มประสิทธิภาพขั้นตอนเท่านั้น
ท้องถิ่นอาจสิ้นสุดในไม่นี่ ม๊าท้องถิ่น )
ประเด็นหลักที่เป็นปัญหาจึงแยกกลุ่มศาสนาที่เหมาะสมจึงหาซูลู -
ยินดีด้วยมักไม่ได้ เหตุผลที่เหมือนกัน การเลือกเฉพาะการจัดกลุ่ม
ขั้นตอนวิธีและพารามิเตอร์ ( เช่น คล้ายวัด ) ขึ้นอยู่กับปัจจัยหลายอย่าง ใน -
รวมลักษณะของข้อมูล ในย่อหน้าที่เราอธิบาย
k-means การจัดกลุ่มขั้นตอนวิธีและบางส่วนของทางเลือกต่อไปนี้