Within each subspace divided by COI

Within each subspace divided by COI, an optimized k-means clustering algorithm is developed to
organize the features into clusters as illustrated in Fig. 8. The major reason for clustering is to
facilitate the query discussed in the next section. k-means, which has been studied extensively, is
one of the most popular clustering algorithms applied in pattern recognition due to its properties
of local-minimum convergence and implementation simplicity. However, k-means suffers some
intrinsic deficiencies that impede its application to data mining. First, it is very sensitive to initial
starting conditions, i.e., it is fully deterministic given the randomly or arbitrarily chosen initial
centers. Second, the number of clusters has to be provided as a parameter, which assumes a priori
knowledge about the data is available. Third, computation is expensive as it requires multiple data
scans to achieve convergence. Although a universal solution does not exist, various approaches
have been proposed as partial remedies. Speed is greatly improved by embedding the data set in a
multiresolution kd-tree and storing sufficient statistics at its nodes [40]. X-mean [41] can quickly
estimate the number of clusters and scales better than k-means. The number of clusters can be
automatically determined via a cluster validity measure [42] based on intra-cluster and intercluster
distance. Bradley and Fayyad [43] discuss an approach to refine the selection of starting
centers through repeated sub-sampling and smoothing. An empirical comparison of several
initialization methods for the k-means algorithm can be found in [44].

ผลลัพธ์ (ไทย) 1:

สเปซภายในหารด้วย coi แต่ละการเพิ่มประสิทธิภาพขั้นตอนวิธีการจัดกลุ่ม K-หมายถึงการพัฒนาเพื่อจัดระเบียบ
คุณสมบัติเป็นกลุ่มตามที่แสดงในภาพ 8 เหตุผลหลักในการจัดกลุ่มคือการอำนวยความสะดวก
แบบสอบถามกล่าวถึงในส่วนต่อไป K-means ซึ่งได้รับการศึกษาอย่างกว้างขวางเป็น
หนึ่งในความนิยมมากที่สุดขั้นตอนวิธีการจัดกลุ่มนำไปใช้ในการจดจำรูปแบบเนื่องจากคุณสมบัติของ
ของการลู่ท้องถิ่นขั้นต่ำและความเรียบง่ายการดำเนินงาน แต่ K-หมายถึงทนทุกข์ทรมานบางข้อบกพร่องที่แท้จริง
ว่าเป็นอุปสรรคต่อการใช้งานไปในการทำเหมืองข้อมูล แรกเป็นสิ่งสำคัญมากในการเริ่มต้น
เงื่อนไขเริ่มต้นคือมันเป็นเรื่องที่กำหนดได้อย่างเต็มที่ได้รับการสุ่มเลือกหรือโดยพลการศูนย์
เริ่มต้น ที่สองจำนวนของกลุ่มจะต้องมีเป็นพารามิเตอร์ซึ่งถือว่านิรนัย
ความรู้เกี่ยวกับข้อมูลที่สามารถใช้ได้ ที่สามการคำนวณมีราคาแพงเนื่องจากต้องมีข้อมูลหลายสแกน
เพื่อให้บรรลุบรรจบกัน แม้ว่าจะเป็นทางออกที่สากลไม่พบวิธีการต่างๆ
ได้รับการเสนอให้เป็นวิธีการรักษาบางส่วน ความเร็วดีขึ้นอย่างมากโดยการฝังข้อมูลที่ตั้งอยู่ใน multiresolution
KD-tree และจัดเก็บสถิติเพียงพอที่โหนดของตน [40] X-หมายถึง [41] สามารถได้อย่างรวดเร็ว
ประมาณการจำนวนของกลุ่มและเครื่องชั่งน้ำหนักดีกว่า K-หมายถึง จำนวนของกลุ่มสามารถกำหนดได้โดยอัตโนมัติผ่านทาง
วัดความถูกต้องของคลัสเตอร์ [42] บนพื้นฐานภายในคลัสเตอร์และ intercluster ระยะทาง
แบรดลีย์และ Fayyad [43] หารือเกี่ยวกับวิธีการปรับแต่งเลือกของการเริ่มต้นศูนย์
ผ่านการสุ่มตัวอย่างย่อยซ้ำและเรียบ การเปรียบเทียบเชิงประจักษ์จากหลาย
วิธีการเริ่มต้นสำหรับขั้นตอนวิธี K-หมายถึงสามารถพบได้ใน [44]

ผลลัพธ์ (ไทย) 2:

ภายใน subspace ละหาร COI วิวัฒนาการการ k-หมายถึงเพิ่มประสิทธิภาพระบบคลัสเตอร์อัลกอริทึมที่
จัดระเบียบลักษณะการทำงานเป็นคลัสเตอร์ดังที่แสดงใน Fig. 8 เหตุผลหลักสำหรับคลัสเตอร์คือการ
ช่วยแบบสอบถามที่กล่าวถึงในส่วนถัดไป เป็น k-หมาย ซึ่งมีการศึกษาอย่างกว้างขวาง
กระบวนระบบคลัสเตอร์ที่นิยมใช้ในการรู้จำรูปแบบเนื่องจากคุณสมบัติหนึ่ง
เรียบท้องน้อยบรรจบกันและใช้งานง่าย อย่างไรก็ตาม วิธีการ k suffers บาง
ทรง intrinsic ที่โปรแกรมประยุกต์ของการทำเหมืองข้อมูลเป็นอุปสรรค ครั้งแรก มันเป็นความสำคัญมากในการเริ่มต้น
เริ่มต้นเงื่อนไข เช่น เป็น deterministic ครบกำหนดต้นแบบสุ่ม หรือโดยท่าน
ศูนย์ สอง จำนวนคลัสเตอร์ได้ให้เป็นพารามิเตอร์ ซึ่งถือเป็น priori
มีความรู้เกี่ยวกับข้อมูล ที่สาม คำนวณเป็นราคาแพงต้องการข้อมูลหลาย
สแกนเพื่อให้บรรจบกัน แม้ว่าเป็นสากลไม่มีโซลูชัน วิธีการต่าง ๆ
ได้รับการเสนอเป็นบางส่วนการเยียวยา ความเร็วเพิ่มขึ้นอย่างมาก โดยการฝังชุดข้อมูลในการ
multiresolution kd-ต้นไม้และเก็บสถิติที่เพียงพอในโหนดร [40] [41] X-ค่าเฉลี่ยสามารถ
หมายเลขของคลัสเตอร์และเครื่องชั่งน้ำหนักที่ดีกว่า k-หมายถึงการประเมิน หมายเลขของคลัสเตอร์สามารถ
ถูกกำหนดโดยอัตโนมัติผ่านการคลัสเตอร์ตั้งแต่วัด [42] คลัสเตอร์ intra และ intercluster
ระยะทางได้ แบรดลีย์และ Fayyad [43] หารือเกี่ยวกับวิธีการแก้ไขการเลือกเริ่มต้น
ศูนย์ sub-sampling ซ้ำและราบเรียบ การเปรียบเทียบผลหลาย
วิธีการเริ่มต้นสำหรับอัลกอริทึมหมายถึง k สามารถพบได้ใน [44]

ผลลัพธ์ (ไทย) 3:

ภายใน subspace แบ่งออกเป็นแต่ละโดย coi อัลกอริธึม K - หมายถึงระบบคลัสเตอร์ที่มีการพัฒนาในการ
ซึ่งจะช่วยจัดระเบียบความโดดเด่นที่เข้าไปในระบบคลัสเตอร์ตามที่ได้แสดงไว้ในรูปที่ 8 . เหตุผลหลักที่เป็นระบบคลัสเตอร์คือการ
ซึ่งจะช่วยอำนวยความสะดวกโดยการสืบค้นกล่าวถึงในส่วนถัดไป. k - วิธีการซึ่งมีการศึกษาอย่างกว้างขวาง
ซึ่งจะช่วยเป็นหนึ่งในอัลกอริธึมระบบคลัสเตอร์ได้รับความนิยมอย่างสูงสุดที่ใช้ในการจำแนกรูปแบบเนื่องจากคุณสมบัติ
ความเรียบง่ายของการนำไปใช้งานและเทคโนโลยีในท้องถิ่น - ต่ำสุด. แต่ถึงอย่างไรก็ตาม K - หมายถึงประสบ
ซึ่งจะช่วยผู้ประกอบการไม่ขาดบางอย่างที่เป็นอุปสรรคต่อแอปพลิเคชันของข้อมูล( data mining ) ครั้งแรกเป็นอย่างมากที่สำคัญในเงื่อนไข
เริ่มต้นนั่นคือรู้อย่างครบครันมีให้เลือกแบบสุ่มหรือริดรอนครั้งแรกศูนย์
ซึ่งจะช่วยได้ หมายเลขของคลัสเตอร์มีการจัดให้บริการเป็นพารามิเตอร์ที่จะสันนิษฐานว่า Priori ที่
ด้านความรู้ความเข้าใจเกี่ยวกับข้อมูลจะถูกจัดให้บริการ บุคคลที่สามมารวมกันมีราคาแพงและต้องมีข้อมูลที่หลากหลาย
ซึ่งจะช่วยให้ได้รับการผนวกรวมการสแกน โซลูชันอเนกประสงค์ที่แม้ว่าจะไม่มี
ซึ่งจะช่วยหาแนวทางต่างๆได้รับการเสนอเป็นการเยียวยาบางส่วน ความเร็วเป็นอย่างมากได้รับการปรับปรุงโดยการเพิ่มข้อมูลที่ตั้งค่าไว้ใน
multiresolution , kd - ทรีและการจัดเก็บข้อมูลสถิติไม่เพียงพอที่โหนด[ 40 ]ของพื้นที่ X - หมายถึง[ 41 ]จะสามารถ
ตามมาตรฐานได้อย่างรวดเร็วประมาณการจำนวนของเครื่องชั่งและคลัสเตอร์ดีกว่า K - หมายถึง จำนวนคลัสเตอร์สามารถ
ซึ่งจะช่วยกำหนดโดยอัตโนมัติผ่านการวัดความถูกต้องเป็นกลุ่ม[ 42 ]ที่ใช้ ภายใน กลุ่มและ Intercluster Trunk
ระยะทาง แบรดลีย์และ fayyad [ 43 ]อธิบายถึงวิธีที่จะแก้ไขการเลือกที่ของการเริ่มต้น
ศูนย์ผ่านซ้ำแล้วซ้ำอีกคณะอนุกรรมการการลิ้มลองและการปรับความคมชัดของ การเปรียบเทียบในเชิงประจักษ์ของหลาย
ตามมาตรฐานการเริ่มต้นใช้งานวิธีการสำหรับอัลกอริธึม K - วิธีการที่สามารถพบได้ใน[ 44 ]