This approach works well if the num

This approach works well if the number of clusters is not too large and they are all fairly well represented. But even in the case of n=1500 points spread among K=15 clusters in equal proportions, the probability of having a “seed” in each cluster is approximately 3.2⋅10−6. The need for the initialization techniques that would choose initial cluster centers in a more careful way rather than randomly is addressed, for instance, by Erisoglu et al. (2011). Proposed variations of the algorithm typically aim at finding better original cluster centers but do not concern the shape of detected clusters. In the mean time, the ability of a particular distance measure to accommodate clusters of certain configuration is another important aspect arising in the application of the K-means algorithm. The most widely used, Euclidean distance measure, works well for clusters with roughly spherical homogeneous covariance matrices. The use of the Mahalanobis distance

ผลลัพธ์ (ไทย) 1:

วิธีการนี้ทำงานด้วยถ้าเลขหมู่มีขนาดไม่ใหญ่เกินไป และค่อนข้างดีแสดง แต่แม้ในกรณี n = 1500 จุดกระจายไปท่ามกลาง K = 15 ในสัดส่วนเท่ากัน ความน่าเป็นของการมี "เมล็ด" ในแต่ละคลัสเตอร์มีประมาณ 3.2⋅10−6 สำหรับเทคนิคการเริ่มต้นที่จะเลือกคลัสเตอร์เริ่มต้นศูนย์ในลักษณะระมัดระวังมากขึ้น มากกว่าแบบสุ่ม ส่ง เช่น โดย Erisoglu et al. (2011) อัลกอริทึมหลากหลายที่นำเสนอโดยทั่วไปค้นหาได้ดีกว่าเดิมคลัสเตอร์ศูนย์ แต่ไม่เกี่ยวกับรูปร่างของคลัสเตอร์ตรวจพบ ในเวลาเฉลี่ยที่ ความสามารถของการวัดระยะทางโดยเฉพาะเพื่อรองรับกลุ่มของการตั้งค่าคอนฟิกบางเป็นอีกเรื่องที่สำคัญในแอพลิเคชันของอัลกอริทึมหมายถึง K วัดระยะทางแบบยุคลิด ใช้บ่อย ใช้งานได้ดีสำหรับคลัสเตอร์ด้วยเมทริกซ์แปรปรวนเหมือนทรงกลมประมาณ ใช้ระยะทาง Mahalanobis

ผลลัพธ์ (ไทย) 2:

วิธีการนี​​้จะทำงานได้ดีถ้าจำนวนกลุ่มมีขนาดไม่ใหญ่เกินไปและพวกเขาทั้งหมดเป็นตัวแทนค่อนข้างดี แต่แม้ในกรณีที่ n = 1500 แพร่กระจายในหมู่ K = 15 กลุ่มในสัดส่วนที่เท่ากันน่าจะเป็นของการมี "เมล็ดพันธุ์" ในแต่ละกลุ่มจะอยู่ที่ประมาณ3.2⋅10-6 ความจำเป็นในการใช้เทคนิคการเริ่มต้นที่จะเลือกศูนย์คลัสเตอร์เริ่มต้นในทางที่ระมัดระวังมากขึ้นมากกว่าการสุ่มจ่าหน้าตัวอย่างเช่นโดย Erisoglu et al, (2011) รูปแบบที่นำเสนอขั้นตอนวิธีการมักจะมีจุดมุ่งหมายในการหาศูนย์คลัสเตอร์เดิมดีกว่า แต่ไม่เกี่ยวกับรูปร่างของกลุ่มที่ตรวจพบ ในเวลาเฉลี่ยที่ความสามารถของการวัดระยะทางโดยเฉพาะอย่างยิ่งเพื่อรองรับกลุ่มของการกำหนดค่าบางอย่างก็เป็นอีกหนึ่งสิ่งสำคัญที่เกิดขึ้นในการประยุกต์ใช้ K-หมายความว่าอัลกอริทึม ใช้กันอย่างแพร่หลายมากที่สุดในการวัดระยะทางแบบยุคลิดทำงานได้ดีสำหรับกลุ่มที่มีรูปทรงกลมเมทริกซ์ความแปรปรวนเป็นเนื้อเดียวกัน การใช้ระยะทาง Mahalanobis

ผลลัพธ์ (ไทย) 3:

วิธีนี้ทำงานได้ดีถ้าจำนวนกลุ่มที่ไม่ได้มีขนาดใหญ่เกินไปและพวกเขาจะแสดงทั้งหมดที่ค่อนข้างดี แต่ใน กรณี n = 1 , 500 จุดแพร่กระจายในหมู่ K = 15 กลุ่มในสัดส่วนที่เท่ากัน โอกาสของการมี " เมล็ดพันธุ์ " ในแต่ละกลุ่มมีประมาณ 3.2 ⋅ 10 − 6 ที่จำเป็นสำหรับการเริ่มต้นเทคนิคที่จะเลือกศูนย์กลุ่มเริ่มต้นในวิธีที่ระมัดระวังมากขึ้น แทนที่จะสุ่มจะให้ความสนใจ เช่น erisoglu et al . ( 2011 ) การนำเสนอรูปแบบของขั้นตอนวิธีโดยทั่วไปมีจุดมุ่งหมายที่การค้นหาดีกว่าเดิม กลุ่มศูนย์ แต่ไม่เกี่ยวกับรูปร่างของการตรวจพบกลุ่ม ในเวลาหมายถึงความสามารถของการวัดระยะทางโดยเฉพาะ เพื่อรองรับกลุ่มของการตั้งค่าบางอย่างสำคัญอีกแง่มุมที่เกิดขึ้นในโปรแกรมประยุกต์ของ k-means ขั้นตอนวิธี ส่วนใหญ่ใช้กันอย่างแพร่หลาย , ระยะทางแบบยุคลิดวัดทำงานได้ดีสำหรับกลุ่มที่มีประมาณทรงกลมเนื้อเดียวกันความแปรปรวนร่วม . การใช้งานของ mahalanobis ระยะทาง