The k-means approach involves parti

The k-means approach involves partitioning the data space into k different clusters of objects, so that the sum of squared Euclidean distances between the centre of each cluster and the individual objects inside that cluster is minimised. The goodness-of-fit of k-means algorithm is often expressed in terms of variance explained, defined as follows:

ผลลัพธ์ (ไทย) 1:

วิธี k หมายถึงเกี่ยวข้องกับพาร์ทิชันพื้นที่ข้อมูลเป็น k กลุ่มแตกต่างกันของวัตถุ เพื่อให้ผลรวมของระยะทาง Euclidean กำลังสองระหว่างศูนย์กลางของแต่ละคลัสเตอร์และวัตถุแต่ละวัตถุภายในคลัสเตอร์คือกระบวนการ มักจะมีแสดงความดีของพอดี k หมายถึงอัลกอริทึมในต่างอธิบาย กำหนดได้ดังนี้:

ผลลัพธ์ (ไทย) 2:

วิธี k-วิธีการที่เกี่ยวข้องกับการแบ่งพื้นที่ข้อมูลลงในกลุ่มที่แตกต่างกัน k ของวัตถุเพื่อให้ผลรวมของระยะทางระหว่างสองยุคลิดกลางของแต่ละกลุ่มแต่ละบุคคลและวัตถุที่อยู่ภายในกลุ่มว่าจะลดลง ความดีของอัลกอริทึมแบบของ k หมายถึงมักจะแสดงในแง่ของความแปรปรวนอธิบายที่กำหนดไว้ดังต่อไปนี้:

ผลลัพธ์ (ไทย) 3:

การ k-means วิธีการเกี่ยวข้องกับพาร์ทิชันข้อมูลพื้นที่ใน K กลุ่มที่แตกต่างกันของวัตถุดังนั้นผลรวมของกำลังสองใช้ระยะทางระหว่างศูนย์กลางของแต่ละกลุ่ม และแต่ละกลุ่มจะลดลงวัตถุภายใน . ความสอดคล้องของ k-means ขั้นตอนวิธีมักจะแสดงออกในแง่ของความแปรปรวนอธิบายดังนี้ :