Overview on dataset and generated s

Overview on dataset and generated segmentations of the illustrative example
In order to illustrate the methodology, clustering was performed on the Asia Magazine dataset using the SAS Enterprise
Miner (EM) data mining software. This illustrative dataset contains business-related data (e.g. Number of Employees;
various measures of Sales, Assets, Equity, Profit) for 1996 on 1000 companies that was compiled by AsiaWeek
magazine.
In order to generate several segmentations we varied the following parameters: similarity measure (i.e. Least Squares,
Mean Absolute Deviation (MAD), Mid-Range, Newton, Modified Ekblom–Newton); Cubic Clustering Criterion (i.e. Ward,
Average, Centroid) for merging clusters using the Least Squares similarity measure; variable transformation method (i.e.
None, Range, Standard Deviation), and the number of clusters. For Least Squares we set the Minimum Number of Clusters
to 2 and Maximum Number of Clusters = 6 for the Number of Clusters parameter, after which the software automatically
selects the most appropriate number of clusters using the Cubic Clustering Criterion (CCC). The other similarity measures
do not allow the user to specify a range but rather a specific value for the Number of Clusters parameter (e.g. 2–5). It should
be noted that for some of these parameters that there are other options than the ones that we selected, but for illustrative
purpose it is not necessary to generate an exhaustive set.
Table 2 describes the parameter settings associated with the segmentations of our illustrative example. We did not report
all parameter settings for one of two reasons: (a) in some cases multiple parameter settings resulted in the same segmentations,
and so there was nothing to be gained by reporting on duplicates; (b) in other cases the segmentations were clearly
not intrinsically appropriate for the dataset, particularly for some of the cases when no variable transformation method (e.g.
Range, Standard Deviation) was used.

ผลลัพธ์ (ไทย) 1:

ภาพรวมในชุดและสร้าง segmentations ตัวอย่าง
เป็นตัวอย่างเพื่อแสดงให้เห็นถึงวิธีการจัดกลุ่มได้รับการดำเนินการเกี่ยวกับชุดนิตยสารเอเชียใช้ SAS องค์กร
คนงานเหมืองซอฟต์แวร์การทำเหมืองข้อมูล (em) ชุดตัวอย่างนี้มีข้อมูลที่เกี่ยวข้องกับธุรกิจ (เช่นจำนวนของพนักงาน;
มาตรการต่างๆของการขายสินทรัพย์ทุน. กำไร) 1996 1000 บริษัท ที่ได้รับการรวบรวมโดยนิตยสาร Asiaweek

เพื่อที่จะสร้างหลาย segmentations เราแตกต่างกันพารามิเตอร์ต่อไปนี้: การวัดความคล้ายคลึงกัน (เช่นสี่เหลี่ยมน้อย
หมายถึงการเบี่ยงเบนสัมบูรณ์ (บ้า) ช่วงกลางนิวตันแก้ไข ekblom-นิวตัน); ลูกบาศก์เกณฑ์การจัดกลุ่ม (เช่นวอร์ด
เฉลี่ย centroid) สำหรับการรวมกลุ่มโดยใช้การวัดความคล้ายคลึงกันอย่างน้อยสี่เหลี่ยม;วิธีการแปลงตัวแปร (เช่น
ไม่มีช่วงส่วนเบี่ยงเบนมาตรฐาน) และจำนวนของกลุ่ม เพื่อสี่เหลี่ยมน้อยเรากำหนดจำนวนขั้นต่ำของกลุ่ม
2 และจำนวนสูงสุดของกลุ่ม = 6 สำหรับจำนวนพารามิเตอร์กลุ่มหลังจากที่ซอฟต์แวร์โดยอัตโนมัติ
เลือกจำนวนที่เหมาะสมที่สุดของกลุ่มโดยใช้เก​​ณฑ์การจัดกลุ่มลูกบาศก์ (CCC) มาตรการที่คล้ายคลึงกันอื่น ๆ
ไม่อนุญาตให้ผู้ใช้สามารถระบุช่วง แต่ค่าเฉพาะสำหรับจำนวนของพารามิเตอร์กลุ่ม (เช่น 2-5) ก็ควร
จะสังเกตเห็นว่าบางส่วนของพารามิเตอร์เหล่านี้ที่มีตัวเลือกอื่นนอกเหนือจากที่เราเลือก แต่สำหรับตัวอย่าง
วัตถุประสงค์ก็ไม่จำเป็นที่จะต้องสร้างชุดหมดจด.
ตารางที่ 2 อธิบายการตั้งค่าพารามิเตอร์ที่เกี่ยวข้องกับ segmentations ตัวอย่างเป็นตัวอย่างของเรา เราไม่ได้รายงาน
ตั้งค่าพารามิเตอร์ทั้งหมดสำหรับหนึ่งในเหตุผลสองประการคือ (ก) ในบางกรณีการตั้งค่าพารามิเตอร์หลายผล segmentations เดียวกัน
และเพื่อให้มีอะไรที่จะได้รับจากการรายงานในที่ซ้ำกัน (ข) ในกรณีอื่น ๆ segmentations เห็นได้ชัด
ไม่ได้ภายในที่เหมาะสมสำหรับชุดโดยเฉพาะอย่างยิ่งสำหรับบางส่วนของกรณีที่ไม่มีวิธีการแปลงตัวแปร (เช่น
ช่วงส่วนเบี่ยงเบนมาตรฐาน) ถูกนำมาใช้

ผลลัพธ์ (ไทย) 2:

ภาพรวมของชุดข้อมูลและ segmentations สร้างตัวอย่างแสดง
เพื่อแสดงวิธีการ คลัสเตอร์ทำตามชุดข้อมูลนิตยสารเอเชียใช้องค์กร SAS
ซอฟต์แวร์การทำเหมืองขุดแร่ (EM) ข้อมูล ชุดข้อมูลที่แสดงนี้ประกอบด้วยข้อมูลที่เกี่ยวข้องกับธุรกิจ (เช่นหมายเลขของพนักงาน;
มาตรการขาย สินทรัพย์ อัตรา กำไร) ในปี 1996 ใน 1000 บริษัทที่คอมไพล์ โดยเอเชียวีก
นิตยสาร.
เพื่อสร้างหลาย segmentations เราแตกต่างกันพารามิเตอร์ต่อไปนี้: วัดความคล้ายคลึงกัน (เช่นน้อยเหลี่ยม,
หมายความแน่นอนความเบี่ยงเบน (MAD), ปานกลาง นิวตัน แก้ไข Ekblom–Newton); เกณฑ์ Clustering ลูกบาศก์ (เช่น Ward,
เฉลี่ย เซนทรอยด์) สำหรับการรวมคลัสเตอร์ที่ใช้วัดความคล้ายคลึงกันยกกำลังสองน้อยที่สุด วิธีการแปลงตัวแปร (i.e.
None ช่วง ส่วนเบี่ยงเบนมาตรฐาน), และหมายเลขของคลัสเตอร์ กำลังสองน้อยสุดเราตั้งหมายเลขต่ำสุดของคลัสเตอร์
2 และหมายเลขสูงสุดของคลัสเตอร์ = 6 สำหรับพารามิเตอร์จำนวนคลัสเตอร์ หลังจากที่ซอฟต์แวร์โดยอัตโนมัติ
เลือกหมายเลขที่เหมาะสมที่สุดของคลัสเตอร์ที่ใช้ซีซีลูกบาศก์ Clustering เกณฑ์ (ซี) วัดความคล้ายคลึงกันอื่น ๆ
ไม่อนุญาตให้ผู้ใช้สามารถระบุช่วงแต่เป็นค่าเฉพาะสำหรับหมายเลขของคลัสเตอร์พารามิเตอร์ (เช่น 2–5) ควร
บันทึกว่า ของพารามิเตอร์เหล่านี้ มีอื่นเลือก มากกว่าคนที่เราเลือก แต่สำหรับแสดง
วัตถุประสงค์ไม่จำเป็นต้องสร้างชุดตัวหมดแรง
ตารางที่ 2 อธิบายการตั้งค่าพารามิเตอร์ที่เกี่ยวข้องกับ segmentations ของอย่างจัด เราไม่ได้
ทั้งหมดพารามิเตอร์การสองประการ: (a) ในบางกรณีที่ให้ตั้งค่าพารามิเตอร์หลาย segmentations เดียว,
และดัง นั้นไม่มีอะไรที่จะรายงานบนซ้ำ (ข) ในกรณีอื่น segmentations ที่ชัดเจนได้
ไม่ทำเหมาะสำหรับชุดข้อมูล โดยเฉพาะอย่างยิ่งในบางกรณีเมื่อมีใช้วิธีการแปลงตัวแปรไม่ (e.g.
Range ส่วนเบี่ยงเบนมาตรฐาน)

ผลลัพธ์ (ไทย) 3:

บทสรุปและสร้างขึ้นใน dataset segmentations ตัวอย่างเช่น
ซึ่งจะช่วยแสดงให้เห็นได้ในการสั่งซื้อจะแสดงให้เห็นถึงวิธีการที่ระบบคลัสเตอร์ได้ดำเนินการบน dataset เอเชียนิตยสารโดยใช้ซอฟต์แวร์สำหรับการคัดกรองข้อมูลองค์กร SAS
เหมือง( EM ) dataset แสดงตัวอย่างนี้ประกอบด้วยข้อมูลทางธุรกิจที่เกี่ยวข้อง(เช่น จำนวนพนักงาน
มาตรการต่างๆของการขายสินทรัพย์ของผู้ถือหุ้นกำไร)สำหรับ 1996 บน 1000 บริษัทที่ได้รับโดย asiaweek
นิตยสาร.
ในการสั่งซื้อเพื่อสร้าง segmentations หลากหลายเราที่หลากหลายพารามิเตอร์ต่อไปนี้วัดกัน(เช่น ช่องอย่างน้อย
หมายความว่าไม่ว่าในกรณีใดๆตัวแปร (mad) mid-range นิวตันแก้ไข ekblom-newton )ลูกบาศก์คลัสเตอร์เกณฑ์(เช่น คุก
โดยเฉลี่ย centroid )สำหรับการรวมกลุ่มโดยใช้มาตรการอย่างเดียวกันอย่างน้อยที่จตุรัสวิธีการปรับเปลี่ยนการเปลี่ยนแปลง(ช่วงเช่น
ไม่มีเบี่ยงเบนมาตรฐาน)และหมายเลขของคลัสเตอร์. สำหรับช่องอย่างน้อยเราตั้งค่าจำนวนขั้นต่ำของคลัสเตอร์
2 และจำนวนสูงสุดของคลัสเตอร์= 6 สำหรับหมายเลขของพารามิเตอร์คลัสเตอร์หลังจากที่ได้รับซอฟต์แวร์โดยอัตโนมัติ
เลือกหมายเลขที่เหมาะสมที่สุดของคลัสเตอร์โดยใช้ลูกบาศก์คลัสเตอร์เกณฑ์( CCC ) ความเหมือนที่อื่นๆมาตรการ
ตามมาตรฐานไม่อนุญาตให้ผู้ใช้สามารถระบุกลุ่มแต่เป็นค่าเฉพาะสำหรับจำนวนคลัสเตอร์ของพารามิเตอร์(เช่น 2-5 2-5 2-5 ) ควรจะ
ซึ่งจะช่วยได้รับการบันทึกว่าสำหรับค่าพารามิเตอร์เหล่านี้บางส่วนที่มีตัวเลือกอื่นมากกว่าคนที่เราเลือกแต่เพื่อการแสดงตัวอย่าง
ซึ่งจะช่วยให้ไม่จำเป็นต้องสร้างตั้งค่าแลกมาด้วยความเหนื่อยล้า.
ตารางที่ 2 รายละเอียดการตั้งค่าพารามิเตอร์ที่เกี่ยวข้องกับ segmentations ของตัวอย่างเช่นการให้ข้อมูลของเรา เราไม่ได้รายงาน
ซึ่งจะช่วยการตั้งค่าพารามิเตอร์ทั้งหมดสำหรับหนึ่งในสองประการ(ก)ในบางกรณีการตั้งค่าพารามิเตอร์หลายตัวส่งผลให้ใน segmentations เดียวกัน
และดังนั้นจึงไม่มีอะไรที่มันจะได้รับโดยการรายงานที่ซ้ำ( b )ในกรณีอื่นๆ segmentations
ตามมาตรฐานได้อย่างชัดเจนไม่ใช่ที่เหมาะสมสำหรับ dataset ที่เหมาะสมอย่างเป็นพิเศษสำหรับกรณีที่เมื่อไม่มีการเปลี่ยนแปลงวิธีการปรับได้(เช่น
มาตรฐานการผูกกับการเบี่ยงเบน()ถูกใช้บางอย่าง.