One of the biggest shortcomings of

One of the biggest shortcomings of the k-means algorithm is the random selection of initial centers.


If k-means selects two centers that are very close to each other, the resulting clusters have the potential to be inaccurate.


To minimize these types of errors, Arthur and Vassilvitskii [3] proposed the k-means++ algorithm, which first chooses one initial center with a
uniform probability.


Then k-means++ chooses the next center by calculating new probabilities for every other point using the formula ........ , where dist (,) is the shortest distance from a point x in data set X to its closest center c already chosen.



By doing this, the starting centers will most likely be far enough apart to allow the original k-means algorithm to run successfully.

ผลลัพธ์ (ไทย) 1:

แสดงที่ใหญ่ที่สุดของอัลกอริทึม k หมายถึงอย่างใดอย่างหนึ่งเป็นการเลือกสุ่มเริ่มต้นศูนย์ ถ้า k หมายถึงเลือกศูนย์สองศูนย์ที่อยู่ใกล้กัน คลัสเตอร์ได้มีศักยภาพที่จะไม่ถูกต้อง เพื่อลดข้อผิดพลาดชนิดนี้ Arthur Vassilvitskii [3] การนำเสนอและการ k- ++ หมายถึงอัลกอริทึม แรกที่เลือกศูนย์หนึ่งเริ่มต้นด้วยการความสม่ำเสมอ แล้ว k-หมายถึง ++ เลือกตัวถัดไป โดยคำนวณกิจกรรมใหม่ทุกจุดอื่นที่ใช้สูตร..., ที่ข้าม () เป็นระยะทางสั้นที่สุดจากจุด x ในข้อมูลชุด X กับ c ศูนย์ใกล้เคียงที่สุดแล้วเลือกโดยทำเช่นนี้ ศูนย์กลางเริ่มต้นมักจะพอห่าง ๆ ให้อัลกอริทึมหมายถึง k เดิมทำสำเร็จ

ผลลัพธ์ (ไทย) 2:

หนึ่งในข้อบกพร่องที่ใหญ่ที่สุดของอัลกอริทึม k-หมายถึงคือการสุ่มเลือกของศูนย์เริ่มต้น. ถ้า k-วิธีการเลือกสองศูนย์ที่มีความใกล้ชิดกันเป็นกลุ่มที่เกิดมีศักยภาพที่จะไม่ถูกต้อง. เพื่อลดเหล่านี้ผิดพลาด อาร์เธอร์และ Vassilvitskii [3] เสนอ k หมายถึงขั้นตอนวิธี ++ สิ่งแรกที่เลือกศูนย์เริ่มต้นหนึ่งที่มีความน่าจะเป็นเครื่องแบบ. แล้ว k-วิธี ++ เลือกศูนย์ต่อไปโดยการคำนวณความน่าจะใหม่สำหรับทุกจุดอื่น ๆ ที่ใช้สูตร ...... .. ที่อ () คือระยะทางที่สั้นที่สุดจากจุด x ในข้อมูลชุด X ไปยังศูนย์ที่ใกล้เคียงที่สุดได้รับการแต่งตั้งแล้ว c. โดยทำเช่นนี้ศูนย์เริ่มต้นมักจะไกลพอออกจากกันเพื่อให้เดิม k หมายถึงขั้นตอนวิธี เพื่อให้ทำงานได้ประสบความสำเร็จ

ผลลัพธ์ (ไทย) 3:

หนึ่งในข้อบกพร่องที่ใหญ่ที่สุดของ k-means ขั้นตอนวิธีการสุ่มเลือกของศูนย์แรก


ถ้า k-means เลือกสองศูนย์ที่สนิทกันเป็นอย่างดี ส่งผลให้กลุ่มมีศักยภาพที่จะไม่ถูกต้อง


ลดเหล่านี้ประเภทของข้อผิดพลาด อาเธอร์ และ vassilvitskii [ 3 ] เสนอ k-means อัลกอริทึม ซึ่งก่อนจะเลือกเริ่มต้นที่ศูนย์กับ
ชุดความน่าจะเป็น


แล้ว k-means เลือกศูนย์ต่อไปได้โดยการคำนวณความน่าจะเป็นใหม่สำหรับทุกจุดอื่น ๆที่ใช้สูตร . . . . . ที่จังหวัดนครราชสีมา ( , ) คือระยะทางที่สั้นที่สุดจากจุด X ในชุดข้อมูล X ของมันใกล้ศูนย์ C แล้วเลือก



ทำอย่างนี้ เริ่มที่ศูนย์ส่วนใหญ่จะไกลพอห่างกันเพื่อให้อัลกอริทึม k-means เดิม
วิ่งเรียบร้อยแล้ว