In this paper we present a fast clu

In this paper we present a fast clustering algorithmused to cluster categorical data. The algorithm, called kmodes,is an extension to the well known k-meansalgorithm (MacQueen 1967). Compared to other clustering methods the k-means algorithm and its variants (Anderberg 1973) are efficient in clustering large data sets, thus very suitable for data mining. However, their use is often limited to numeric data because these algorithms minimise a cost function by calculating the means of clusters. Data mining applications frequently involve categorical data. The traditional approach to converting
categorical data into numeric values does not necessarily produce meaningful results in the case where categorical
domains are not ordered. The k-modes algorithm in this paper removes this limitation and extends the k-means
paradigm to categorical domains whilst preserving the
efficiency of the k-means algorithm.

ผลลัพธ์ (ไทย) 1:

ในเอกสารนี้ เรานำเสนอ algorithmused ระบบคลัสเตอร์แบบรวดเร็วกับคลัสเตอร์ข้อมูลแน่ชัด ขั้นตอนวิธี kmodes เรียกว่าเป็นส่วนขยายเพื่อรู้จัก k-meansalgorithm (MacQueen 1967) เมื่อเทียบกับวิธีอื่น ๆ ระบบคลัสเตอร์ k-หมายของตัวแปร (Anderberg 1973) และอัลกอริทึมมีประสิทธิภาพในคลัสเตอร์ชุดข้อมูลขนาดใหญ่ จึงเหมาะสำหรับการทำเหมืองข้อมูล อย่างไรก็ตาม การใช้ได้มักจะจำกัดข้อมูลตัวเลขเนื่องจากอัลกอริทึมเหล่านี้ลดฟังก์ชันต้นทุน โดยการคำนวณวิธีการคลัสเตอร์ โปรแกรมประยุกต์การทำเหมืองข้อมูลมักเกี่ยวข้องกับข้อมูลที่แน่ชัด วิธีแบบดั้งเดิมกับการแปลงข้อมูลค่าตัวเลขแน่ชัดไม่จำเป็นต้องสร้างผลประโยชน์ในกรณีแน่ชัดโดเมนจะไม่สามารถสั่ง อัลกอริทึมวิธี k ในเอกสารนี้เอาข้อจำกัดนี้ และขยายวิธีการ kกระบวนทัศน์โดเมนแน่ชัดในขณะที่การรักษาประสิทธิภาพของอัลกอริทึมหมายถึง k

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เรานำเสนอการจัดกลุ่มได้อย่างรวดเร็วเพื่อ algorithmused กลุ่มข้อมูลที่แน่ชัด ขั้นตอนวิธีการที่เรียกว่า kmodes เป็นส่วนขยายของที่รู้จักกันดี k-meansalgorithm (ที่แมคควีน 1967) เมื่อเทียบกับวิธีการจัดกลุ่มอื่น ๆ อัลกอริทึม k-วิธีการและตัวแปรของมัน (Anderberg 1973) ที่มีประสิทธิภาพในการจัดกลุ่มชุดข้อมูลขนาดใหญ่จึงเหมาะมากสำหรับการทำเหมืองข้อมูล อย่างไรก็ตามการใช้ของพวกเขามักจะ จำกัด ข้อมูลที่เป็นตัวเลขเพราะกลไกเหล่านี้ฟังก์ชั่นลดค่าใช้จ่ายโดยการคำนวณวิธีการของกลุ่ม การใช้งานการทำเหมืองข้อมูลบ่อยเกี่ยวข้องกับข้อมูลที่แน่ชัด วิธีการแบบดั้งเดิมในการแปลงข้อมูลที่แน่ชัดลงไปในค่าตัวเลขไม่จำเป็นต้องให้ผลลัพธ์ที่มีความหมายในกรณีที่เด็ดขาดโดเมนจะไม่ได้รับคำสั่ง อัลกอริทึม k โหมดในบทความนี้เอาข้อ จำกัด นี้และขยาย k หมายถึงกระบวนทัศน์โดเมนเด็ดขาดในขณะที่การรักษาประสิทธิภาพของอัลกอริทึมk หมายถึง

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้เรานำเสนอข้อมูลให้รวดเร็ว algorithmused กลุ่มข้อมูลเชิงคุณภาพ ขั้นตอนวิธีเรียก kmodes เป็นส่วนขยายที่รู้จักกันดี k-meansalgorithm ( เมิ่กควิน 1967 ) เมื่อเทียบกับวิธีอื่น ๆสามารถ k-means ขั้นตอนวิธีและตัวแปรของ ( anderberg 1973 ) จะมีประสิทธิภาพในการจัดกลุ่มชุดข้อมูลที่มีขนาดใหญ่ ดังนั้นจึงเหมาะมากสำหรับการทำเหมืองข้อมูล อย่างไรก็ตามใช้ของพวกเขามักจะ จำกัด ให้ข้อมูลตัวเลข เพราะขั้นตอนวิธีเหล่านี้ลดต้นทุนการทำงาน โดยการคำนวณค่าเฉลี่ยของกลุ่ม การประยุกต์ใช้เหมืองข้อมูลมักเกี่ยวข้องกับข้อมูลเชิงคุณภาพ วิธีการแบบดั้งเดิมที่จะแปลง
ข้อมูลอย่างแท้จริงเป็นค่าตัวเลขที่ไม่จําเป็นต้องสร้างผลลัพธ์ที่มีความหมายในกรณีที่โดเมนอย่างแท้จริง
ไม่ได้สั่งการ k-modes ขั้นตอนวิธีในกระดาษนี้จะลบข้อ จำกัด นี้ และขยาย k-means
กระบวนทัศน์เพื่อโดเมนอย่างแท้จริงในขณะที่รักษา
k-means ประสิทธิภาพของขั้นตอนวิธี