The conventional clustering algorit

The conventional clustering algorithms in data mining like k-means algorithm have difficulties in handling the challenges posed by the collection of natural data which is often vague and uncertain. The modeling of imprecise and qualitative knowledge, as well as handling of uncertainty at various stages is possible through the use of fuzzy sets. Fuzzy logic is capable of supporting to a reasonable extent, human type reasoning in natural form by allowing partial membership for data items in fuzzy subsets. Integration of fuzzy logic in data mining has become a powerful tool in handling natural data. In this paper we introduce the concept of fuzzy clustering and also the benefits of incorporating fuzzy logic in data mining. Finally this paper provides a comparative analysis of two fuzzy clustering algorithms namely fuzzy c-means algorithm and adaptive fuzzy clustering algorithm.

ผลลัพธ์ (ไทย) 1:

กระบวนระบบคลัสเตอร์ทั่วไปในการทำเหมืองข้อมูลเช่น k หมายถึงอัลกอริทึมมีความยากลำบากในการจัดการกับความท้าทายโดยการรวบรวมข้อมูลธรรมชาติซึ่งมักจะคลุมเครือ และไม่แน่นอน การสร้างโมเดลความรู้ imprecise และเชิงคุณภาพ รวมทั้งจัดการความไม่แน่นอนในขั้นตอนต่าง ๆ ได้โดยใช้ชุดชัดเจน ตรรกศาสตร์คลุมเครือมีความสามารถในการสนับสนุนขอบเขตเหมาะสม ชนิดมนุษย์ใช้เหตุผลในฟอร์มธรรมชาติ โดยให้สมาชิกบางส่วนสำหรับรายการข้อมูลในชุดย่อยที่ชัดเจน รวมตรรกศาสตร์คลุมเครือในการทำเหมืองข้อมูลได้กลายเป็น เครื่องมือที่มีประสิทธิภาพในการจัดการข้อมูลตามธรรมชาติ ในเอกสารนี้ เรานำแนวคิดของคลัสเตอร์ชัดเจน และผลประโยชน์ของตรรกศาสตร์คลุมเครือในการทำเหมืองข้อมูล สุดท้าย เอกสารนี้ให้วิเคราะห์เปรียบเทียบสองขั้นตอนวิธีอัลกอริทึมได้แก่เอิบ c-หมายถึงเอิบระบบคลัสเตอร์และขั้นตอนวิธีระบบคลัสเตอร์เอิบแบบอะแดปทีฟ

ผลลัพธ์ (ไทย) 2:

การจัดกลุ่มขั้นตอนวิธีการแบบเดิมในการทำเหมืองข้อมูลเช่นอัลกอริทึม k หมายถึงมีความยากลำบากในการจัดการกับความท้าทายที่เกิดจากการเก็บรวบรวมข้อมูลที่เป็นธรรมชาติซึ่งมักจะคลุมเครือและความไม่แน่นอน แบบจำลองของความรู้แน่ชัดและเชิงคุณภาพเช่นเดียวกับการจัดการของความไม่แน่นอนในขั้นตอนต่างๆเป็นไปได้ผ่านการใช้งานของชุดเลือน ตรรกศาสตร์มีความสามารถในการสนับสนุนในระดับที่เหมาะสมเหตุผลประเภทของมนุษย์ในรูปแบบธรรมชาติโดยการอนุญาตให้สมาชิกบางส่วนสำหรับรายการข้อมูลในส่วนย่อยเลือน บูรณาการของตรรกศาสตร์ในการทำเหมืองข้อมูลได้กลายเป็นเครื่องมือที่มีประสิทธิภาพในการจัดการข้อมูลที่เป็นธรรมชาติ ในบทความนี้เราแนะนำแนวคิดของการจัดกลุ่มเลือนและยังได้รับประโยชน์ของการผสมผสานตรรกศาสตร์ในการทำเหมืองข้อมูล สุดท้ายบทความนี้มีการวิเคราะห์เปรียบเทียบขั้นตอนวิธีการจัดกลุ่มสองคือเลือนเลือนอัลกอริทึมควิธีการและขั้นตอนวิธีการจัดกลุ่มการปรับตัวเลือน

ผลลัพธ์ (ไทย) 3:

การแบ่งกลุ่มขั้นตอนวิธีการทำเหมืองข้อมูลเหมือน k-means ขั้นตอนวิธีมีความยากลำบากในการจัดการความท้าทายถูกวางโดยคอลเลกชันของธรรมชาติข้อมูลซึ่งมักจะคลุมเครือและไม่แน่นอน แบบจำลองของคลุมเครือและคุณภาพ ความรู้ ตลอดจนการจัดการความไม่แน่นอนในขั้นตอนต่าง ๆที่เป็นไปได้ผ่านการใช้ชุดแบบฟัซซี่ตรรกศาสตร์คลุมเครือนั้นสามารถสนับสนุนในขอบเขตที่เหมาะสม การให้เหตุผลแบบมนุษย์ในแบบธรรมชาติ โดยการอนุญาตให้สมาชิกบางส่วน สำหรับข้อมูลในส่วนย่อยๆ . การรวมกลุ่มของตรรกศาสตร์คลุมเครือในการทำเหมืองข้อมูลได้กลายเป็นเครื่องมือที่มีประสิทธิภาพในการจัดการข้อมูลธรรมชาติ ในกระดาษนี้เราแนะนำแนวคิดของการจัดกลุ่มแบบฟัซซี่และยังประโยชน์ของการผสมผสานตรรกศาสตร์คลุมเครือในการทำเหมืองข้อมูลในที่สุดกระดาษนี้มีการวิเคราะห์เปรียบเทียบสองแบบคือการจัดกลุ่มขั้นตอนวิธีขั้นตอนวิธีการจัดกลุ่มแบบฟัซซี่ฟัซซีซีมีนและขั้นตอนวิธี