Clustering is a popular data analys

Clustering is a popular data analysis and data mining technique. Among different proposed methods, k-means is an efficient clustering technique to cluster datasets, but this method highly depends on the initial state and usually converges to local optimum solution. This paper takes the advantage of a novel evolutionary algorithm, called artificial bee colony (ABC), to improve the capability of k-means in finding global optimum clusters in nonlinear partitional clustering problems. The proposed method is the combination of k-means and ABC algorithms, called kABC, which can find better cluster portions. Both kABC and k-means are run on three known data sets from the UCI Machine Learning Repository. The simulation results show that the combination of ABC and k-means technique has more ability to search for global optimum solutions and more ability for passing local optimum.

ผลลัพธ์ (ไทย) 1:

คลัสเตอร์เป็นการวิเคราะห์ข้อมูลยอดนิยมและเทคนิคการทำเหมืองข้อมูล ระหว่างวิธีการนำเสนอที่แตกต่างกัน k หมายถึงคลัสเตอร์ datasets เทคนิคระบบคลัสเตอร์มีประสิทธิภาพ แต่วิธีนี้ขึ้นอยู่กับสถานะเริ่มต้นสูง และมัก converges โซลูชันที่เหมาะสมท้องถิ่น เอกสารนี้ใช้ประโยชน์จากของนวนิยายวิวัฒนาการอัลกอริทึม เรียกว่าฝูงผึ้งประดิษฐ์ (ABC), เพื่อปรับปรุงความสามารถของ k-หมายถึงในคลัสเตอร์สูงสุดทั่วโลกค้นหาปัญหาระบบคลัสเตอร์ partitional ไม่เชิงเส้น วิธีการนำเสนอหมายถึง k และ ABC อัลกอริทึม เรียกว่า kABC ซึ่งสามารถค้นหาได้ดีกว่าส่วนคลัสเตอร์ได้ KABC และ k-หมายถึงจะทำงานบนชุดข้อมูลสามรู้จักจาก UCI เครื่องเรียนรู้เก็บ ผลการทดลองแสดงว่า ชุดเทคนิค ABC และ k-หมายถึงมีความสามารถเพิ่มเติมเพื่อค้นหาโลกโซลูชั่นที่เหมาะสมและความสามารถมากกว่าช่วยท้องถิ่นเหมาะสม

ผลลัพธ์ (ไทย) 2:

การจัดกลุ่มคือการวิเคราะห์ข้อมูลที่ได้รับความนิยมและเทคนิคการทำเหมืองข้อมูล ในวิธีการเสนอที่แตกต่างกัน k-หมายถึงเป็นเทคนิคการจัดกลุ่มที่มีประสิทธิภาพในกลุ่มชุด แต่วิธีนี้สูงขึ้นอยู่กับสถานะเริ่มต้นและมักจะลู่เพื่อแก้ปัญหาที่ดีที่สุดในท้องถิ่น กระดาษนี้จะใช้ประโยชน์ของขั้นตอนวิธีวิวัฒนาการใหม่ที่เรียกว่าอาณานิคมผึ้งเทียม (เอบีซี) เพื่อปรับปรุงความสามารถของ K-วิธีการในการหากลุ่มที่ดีที่สุดของโลกในเชิงปัญหาการจัดกลุ่ม partitional วิธีที่เสนอคือการรวมกันของ k-หมายถึงขั้นตอนวิธีการและเอบีซีที่เรียกว่า KABC ซึ่งสามารถหาส่วนกลุ่มที่ดีขึ้น ทั้ง KABC และ K-หมายถึงจะมีการทำงานในสามที่รู้จักกันในชุดข้อมูลจากเครื่อง UCI เรียนรู้พื้นที่เก็บข้อมูล ผลการจำลองแสดงให้เห็นว่าการรวมกันของเทคนิคเอบีซีและ K-หมายถึงมีความสามารถมากขึ้นในการค้นหาสำหรับการแก้ปัญหาที่ดีที่สุดของโลกและความสามารถมากขึ้นสำหรับการส่งผ่านที่ดีที่สุดในท้องถิ่น

ผลลัพธ์ (ไทย) 3:

การวิเคราะห์ข้อมูลแบ่งกลุ่ม เป็นที่นิยมและข้อมูลเทคนิคเหมืองแร่ ระหว่างที่แตกต่างกันเสนอวิธีการ k-means เป็นเทคนิคที่มีประสิทธิภาพสำหรับกลุ่มข้อมูล แต่วิธีนี้สูง ขึ้นอยู่กับสภาพและมักจะเริ่มต้นเข้าสู่โซลูชั่นที่เหมาะสมในท้องถิ่น กระดาษนี้ใช้ประโยชน์จากนวนิยายที่มีขั้นตอนวิธีอาณานิคมผึ้งเทียมที่เรียกว่า ( ABC )เพื่อปรับปรุงความสามารถใน k-means ในการหาที่เหมาะสมแบบกลุ่มในระดับโลก partitional การจัดกลุ่มปัญหา วิธีการที่เสนอการรวมกันของ k-means และขั้นตอนวิธี , ABC เรียกว่า kabc ซึ่งสามารถค้นหาดีกว่า กลุ่ม ส่วน และทั้ง kabc k-means จะวิ่งบนสามรู้จักชุดข้อมูลจาก UCI การเรียนรู้เครื่องเก็บข้อมูลผลการจำลองแบบแสดงให้เห็นว่าการรวมกันของ ABC และ k-means เทคนิคมีความสามารถมากขึ้นเพื่อค้นหาโซลูชั่นที่เหมาะสมและความสามารถมากขึ้นทั่วโลกผ่านท้องถิ่นที่เหมาะสม