We present k-means clustering algor

We present k-means clustering algorithms: a k-means is its cluster model. The concept is based on spherical clusters that are separable in a way so that the mean value converges towards the cluster center. The clusters are expected to be of similar size, so that the assignment to the nearest cluster center is the correct assignment. When for example applying k-means with a value of {displaystyle k=3} k=3 onto the well-known Iris flower data set, the result often fails to separate the three Iris species contained in the data set. With {displaystyle k=2} k=2, the two visible clusters (one containing two species) will be discovered, whereas with {displaystyle k=3} k=3 one of the two clusters will be split into two even parts. In fact, {displaystyle k=2} k=2 is more appropriate for this data set, despite the data set containing 3 classes. As with any other clustering algorithm, the k-means result relies on the data set to satisfy the assumptions made by the clustering algorithms. It works well on some data sets, while failing on others.

ผลลัพธ์ (ไทย) 1:

เรานำเสนอถึงอัลกอริธึม clustering: k-หมายถึงเป็นรูปแบบคลัสเตอร์ แนวคิดนี้ตั้งอยู่บนทรงกลม clusters ที่ separable ในลักษณะเพื่อให้ค่าเฉลี่ยแร็คไปทางศูนย์คลัสเตอร์ คลัสเตอร์คาดว่าจะมีขนาดคล้าย เพื่อให้การกำหนดไปยังศูนย์ที่ใกล้ที่สุดของคลัสเตอร์ไม่ถูกต้อง เมื่อใช้ถึงกับค่าตัวอย่างเช่น { displaystyle k = 3 } k = 3 ลงรู้จัก Iris ดอกไม้ชุดข้อมูล ผลมักจะล้มเหลวในการแยกสายพันธุ์ไอริสสามอยู่ในชุดข้อมูล ด้วย { displaystyle k = 2 } k = 2, clusters ปรากฏสอง (หนึ่งที่ประกอบด้วยสองสายพันธุ์) จะค้นพบ ในขณะที่ด้วย { displaystyle k = 3 } k = 3 คลัสเตอร์สองอย่างใดอย่างหนึ่งจะแบ่งเป็นสองส่วนแม้ ในความเป็นจริง, { displaystyle k = 2 } k = 2 ไม่เหมาะสมสำหรับชุดข้อมูลนี้ แม้ มีชุดข้อมูลที่ประกอบด้วย 3 ชั้น เป็น ด้วยใด ๆ อื่น ๆ ระบบคลัสเตอร์อัลกอริทึม ผลถึงอาศัยชุดข้อมูลเพื่อตอบสนองให้สมมติฐาน โดยอัลกอริทึมระบบคลัสเตอร์ ทำงานได้ดีบนชุดข้อมูลบางอย่าง ในขณะที่ความล้มเหลวในผู้อื่น

ผลลัพธ์ (ไทย) 2:

เรานำเสนอ K-วิธีการจัดกลุ่มอัลกอริทึม: K-หมายถึงเป็นรูปแบบคลัสเตอร์ แนวคิดนี้จะขึ้นอยู่กับกลุ่มทรงกลมที่มีแยกกันไม่ออกในลักษณะเพื่อให้ค่าเฉลี่ยลู่ต่อศูนย์คลัสเตอร์ กลุ่มที่คาดว่าจะขนาดใกล้เคียงกันเพื่อให้มอบหมายให้ศูนย์คลัสเตอร์ที่ใกล้ที่สุดคือการกำหนดที่ถูกต้อง ตัวอย่างเช่นเมื่อใช้ K-วิธีที่มีค่าของ { displaystyle K = 3} K = 3 บนที่รู้จักกันดีไอริสชุดข้อมูลดอกผลที่ได้มักจะล้มเหลวที่จะแยกสามไอริสปีชีส์ที่มีอยู่ในชุดข้อมูล ด้วย { displaystyle K = 2} K = 2 ทั้งสองกลุ่มที่มองเห็นได้ (อย่างใดอย่างหนึ่งที่มีสองสายพันธุ์) จะได้รับการค้นพบในขณะที่มี { displaystyle K = 3} K = 3 หนึ่งในสองกลุ่มจะถูกแบ่งออกเป็นสองแม้กระทั่งชิ้นส่วน . ในความเป็นจริง { displaystyle K = 2} K = 2 มีความเหมาะสมมากขึ้นสำหรับข้อมูลชุดนี้แม้จะมีชุดข้อมูลที่มี 3 ชั้น เช่นเดียวกับขั้นตอนวิธีการจัดกลุ่มอื่น ๆ K-หมายถึงผลขึ้นอยู่กับการตั้งค่าข้อมูลเพื่อตอบสนองความสมมติฐานที่ทำโดยขั้นตอนวิธีการจัดกลุ่ม มันทำงานได้ดีในชุดข้อมูลบางอย่างในขณะที่ความล้มเหลวกับคนอื่น ๆ

ผลลัพธ์ (ไทย) 3:

เรานำเสนอ k-means การจัดกลุ่มขั้นตอนวิธี : k-means เป็นรูปแบบกลุ่มของ แนวคิดจากกลุ่มทรงกลมที่แยกกันในลักษณะเพื่อที่จะหาค่าเฉลี่ยต่อศูนย์กลุ่ม กลุ่มที่คาดว่าจะอยู่ที่ขนาดใกล้เคียงกัน จึงมอบหมายให้ศูนย์ที่ใกล้ที่สุด คือ กลุ่มงานที่ถูกต้อง เมื่อตัวอย่างการใช้ k-means ด้วยค่า { displaystyle k = 3 } k = 3 บนที่รู้จักกันดีดอกไม้ม่านตาชุดข้อมูล ผลมักจะล้มเหลวที่จะแยกสามไอริสชนิดที่มีอยู่ในชุดข้อมูล { displaystyle k = 2 } k = 2 , สองมองเห็นกลุ่ม ( หนึ่งที่มีสองชนิด ) จะพบ ส่วน displaystyle K = { 3 } 3 k = หนึ่งของทั้งสองกลุ่มจะถูกแบ่งออกเป็นสองส่วนได้ส่วน ในความเป็นจริง , { displaystyle k = 2 } k = 2 จะเหมาะกว่าสำหรับข้อมูลชุดนี้ แม้จะมีชุดของข้อมูลที่มี 3 ชั้น ด้วยใด ๆอื่น ๆที่ k-means การจัดกลุ่มขั้นตอนวิธีการอาศัยข้อมูลตามสมมติฐานโดยการจัดกลุ่มขั้นตอนวิธี มันทำงานได้ดีในบางชุดของข้อมูลในขณะที่ความล้มเหลวในผู้อื่น