We present three k-means clustering

We present three k-means clustering algorithms: the
Forgy/Lloyd algorithm, the MacQueen algorithm and the
Hartigan & Wong algorithm. We chose those three
algorithms because they are the most widely used k-means
clustering techniques and they all have slightly different
goals and thus results. To be able to use any of the three, you
first need to know how many clusters are present in your
data. As this information is often unavailable, multiple trials
will be necessary to find the best amount of clusters. As a
starting point, it is often useful to standardize the data if the
components of the cases are not in the same scale.
There is no absolute best algorithm. The choice of the
optimal algorithm depends on the characteristics of the
dataset (size, number of variables in the cases). Jain, Duin &
Mao (2000) even suggest trying several different clustering
algorithms to gain the best understanding possible about the
dataset.

ผลลัพธ์ (ไทย) 2:

เรานำเสนอสาม K-วิธีการจัดกลุ่มอัลกอริทึมที่:
Forgy / ลอยด์อัลกอริทึมอัลกอริทึมแมคควีนและ
อัลกอริทึม Hartigan & วงศ์ เราเลือกทั้งสาม
ขั้นตอนวิธีการเพราะพวกเขาจะใช้กันอย่างแพร่หลาย K-หมายถึง
เทคนิคการจัดกลุ่มและพวกเขาทุกคนมีแตกต่างกันเล็กน้อย
เป้าหมายและทำให้ผลการ เพื่อให้สามารถใช้ใด ๆ ของสามคุณ
จำเป็นต้องรู้วิธีการหลายกลุ่มที่มีอยู่ในของคุณ
ข้อมูล เนื่องจากข้อมูลนี้จะไม่สามารถใช้งานมักจะทดลองหลาย ๆ
จะมีความจำเป็นที่จะหาจำนวนเงินที่ดีที่สุดของกลุ่ม ในฐานะที่เป็น
จุดเริ่มต้นก็มักจะเป็นประโยชน์ในการสร้างมาตรฐานข้อมูลถ้า
ชิ้นส่วนของกรณีที่ไม่ได้อยู่ในระดับเดียวกัน
ไม่มีขั้นตอนวิธีการที่ดีที่สุดแน่นอนคือ
ทางเลือกของ ขั้นตอนวิธีการที่ดีที่สุดขึ้นอยู่กับลักษณะของ
ชุดข้อมูล (ขนาดจำนวนตัวแปรในกรณี) เชน Duin &
เหมา (2000) แม้จะแนะนำให้พยายามจัดกลุ่มที่แตกต่างกันหลาย
ขั้นตอนวิธีการที่จะได้รับความเข้าใจที่ดีที่สุดเกี่ยวกับ
ชุดข้อมูล

ผลลัพธ์ (ไทย) 3:

เราเสนอสาม k-means การจัดกลุ่มขั้นตอนวิธีการ :forgy / ลอยด์ ขั้นตอนวิธี ขั้นตอนวิธีเมิ่กควินและฮาร์ติกัน & Wong ขั้นตอนวิธี เราเลือกข้อสามนั้นขั้นตอนวิธีเพราะพวกเขาจะใช้กันอย่างแพร่หลาย k-meansข้อมูลเทคนิคและพวกเขาทั้งหมดมีที่แตกต่างกันเล็กน้อยเป้าหมายและผลลัพธ์ เพื่อให้สามารถใช้ใด ๆของ สาม คุณต้องรู้วิธีการหลายกลุ่มอยู่ในของคุณข้อมูล ข้อมูลนี้มักใช้ทดลองหลาย ๆจะต้องเจอจำนวนเงินที่ดีที่สุดของกลุ่ม เป็นจุดเริ่มต้น มันมักจะเป็นประโยชน์ที่จะสร้างมาตรฐานข้อมูลถ้าส่วนประกอบของคดีไม่ได้อยู่ในระดับเดียวกันไม่มีที่ดีที่สุดแน่นอนขั้นตอนวิธี ทางเลือกของขั้นตอนวิธีที่เหมาะสมขึ้นอยู่กับลักษณะของชุดข้อมูล ( ตัวเลขขนาดของตัวแปรในคดี ) ดูน & เจนเหมา ( 2000 ) ได้แนะนำให้พยายามหลายคลัสเตอร์วิธีการที่จะได้รับความเข้าใจที่ดีที่สุดที่เป็นไปได้เกี่ยวกับชุดข้อมูล .