Clustering data mining divides data

Clustering data mining divides data objects into several groups or clusters automatically so that the objects in the same group have high similarities, and the objects in different groups have big differences. Clustering algorithms have been studied for many years. The typical algorithms are k-means and k-medoids In k-means, every group is represented by the average value of the objects in the group. The clustering process is: randomly choose k objects, each object initially represents the average of each group, assign each remaining object to one of the k groups to which the object has the shortest distance. CalcuIate the average of each group, and regroup all objects according to the distance to the new averages. Do average and regroup steps again until the groups are no longer changed. In k-medoids, each group is represented by the object that is at the center of the group. The clustering process is similar to k-means. Above algorithms need scan instance data many times. Microsoft@ provided an efficient algorithm - Scdable Expectation Maximization (SEM) [21(31, which only scans data one time. The basic idea is to create clusters by the density of the instance objects. The calculation process can be stopped anywhere and restarted again. We can get a reasonable result at any point in the process. The algorithm creates some clusters when processing data records, and changes the centers of the clusters while more data are processed in order to find a duster set that can describe the characteristics of similar instance objects best.

ผลลัพธ์ (ไทย) 1:

คลัสเตอร์การทำเหมืองข้อมูลแบ่งวัตถุข้อมูลหลาย ๆ กลุ่มหรือคลัสเตอร์โดยอัตโนมัติเพื่อให้วัตถุในกลุ่มเดียวกันมีความคล้ายคลึงกันสูง และวัตถุต่างกลุ่มกันมีความแตกต่างใหญ่ อัลกอริทึมระบบคลัสเตอร์ได้รับการศึกษาหลายปี อัลกอริทึมโดยทั่วไปหมายถึง k และ k-medoids ในถึง ทุกกลุ่มถูกแสดง โดยค่าเฉลี่ยของวัตถุในกลุ่ม กระบวนการระบบคลัสเตอร์: สุ่ม k วัตถุ แต่ละวัตถุในตอนแรกแสดงถึงค่าเฉลี่ยของแต่ละกลุ่ม กำหนดวัตถุที่เหลือแต่ละกลุ่ม k ซึ่งวัตถุมีระยะทางสั้นที่สุด CalcuIate ค่าเฉลี่ยของแต่ละกลุ่ม และการจัดกลุ่มวัตถุทั้งหมดตามระยะทางค่าเฉลี่ยใหม่ เฉลี่ย และจัดกลุ่มใหม่ต่อไปอีกจนกว่ากลุ่มไม่มีการเปลี่ยนแปลง ใน k-medoids แต่ละกลุ่มจะแสดง โดยวัตถุที่เป็นศูนย์กลางของกลุ่ม กระบวนการระบบคลัสเตอร์จะคล้ายกับ k หมายถึง อัลกอริทึมข้างบนต้องสแกนข้อมูลของอินสแตนซ์หลายครั้ง Microsoft แอทมีอัลกอริธึมมีประสิทธิภาพ - Maximization คาด Scdable (SEM) [21 (31 ที่สแกนข้อมูลเพียง ครั้งเดียว แนวคิดพื้นฐานคือการ สร้างกลุ่ม โดยความหนาแน่นของอินสแตนซ์ของวัตถุ การคำนวณสามารถหยุดที่ใดก็ได้ และเริ่มต้นใหม่อีกครั้ง เราสามารถได้ผลลัพธ์เหมาะสมที่จุดใด ๆ ในกระบวนการ อัลกอริทึมสร้างคลัสเตอร์บางอย่างเมื่อการประมวลผลข้อมูล และการเปลี่ยนแปลงในการตั้งศูนย์ของคลัสเตอร์ในขณะที่มีการประมวลผลข้อมูลเพื่อหาแปรงที่สามารถอธิบายลักษณะของวัตถุของอินสแตนซ์คล้ายกันที่สุด

ผลลัพธ์ (ไทย) 2:

การทำเหมืองข้อมูลการจัดกลุ่มแบ่งวัตถุข้อมูลลงในหลายกลุ่มหรือกลุ่มโดยอัตโนมัติเพื่อให้วัตถุในกลุ่มเดียวกันที่มีความคล้ายคลึงกันสูงและวัตถุในกลุ่มที่แตกต่างกันมีความแตกต่างใหญ่ ขั้นตอนวิธีการจัดกลุ่มได้รับการศึกษามานานหลายปี ขั้นตอนวิธีการโดยทั่วไปคือ K-วิธีการและ K-medoids K-หมายถึงทุกกลุ่มเป็นตัวแทนจากค่าเฉลี่ยของวัตถุในกลุ่ม ขั้นตอนการจัดกลุ่มคือการสุ่มเลือก k วัตถุแต่ละวัตถุแรกหมายถึงค่าเฉลี่ยของแต่ละกลุ่มที่กำหนดแต่ละวัตถุที่เหลือให้เป็นหนึ่งในกลุ่ม K ที่วัตถุมีระยะทางที่สั้น CalcuIate เฉลี่ยของแต่ละกลุ่มและจัดกลุ่มใหม่วัตถุทั้งหมดตามระยะทางกับค่าเฉลี่ยใหม่ ทำเฉลี่ยและจัดกลุ่มใหม่ตามขั้นตอนอีกครั้งจนกว่ากลุ่มจะไม่เปลี่ยนแปลง K-medoids แต่ละกลุ่มเป็นตัวแทนจากวัตถ​​ุที่เป็นศูนย์กลางของกลุ่ม ขั้นตอนการจัดกลุ่มจะคล้ายกับวิธีการ-k ขั้นตอนวิธีการดังกล่าวข้างต้นต้องสแกนข้อมูลเช่นหลายครั้ง ไมโครซอฟท์ @ ให้มีประสิทธิภาพขั้นตอนวิธีการ -. Scdable การเพิ่มประสิทธิภาพของความคาดหวัง (SEM) [21 (31 ซึ่งจะสแกนข้อมูลเพียงครั้งเดียวความคิดพื้นฐานคือการสร้างกลุ่มความหนาแน่นของอินสแตนซ์วัตถุกระบวนการคำนวณสามารถหยุดได้ทุกที่และเริ่มต้นใหม่อีกครั้ง. . เราสามารถได้รับผลที่เหมาะสมที่จุดใด ๆ ในกระบวนการ. ขั้นตอนวิธีการสร้างบางกลุ่มเมื่อการประมวลผลการบันทึกข้อมูลและการเปลี่ยนแปลงศูนย์กลางของกลุ่มในขณะที่ข้อมูลได้มากขึ้นมีการประมวลผลเพื่อหาชุดแปรงที่สามารถอธิบายลักษณะของที่คล้ายกัน เช่นวัตถุที่ดีที่สุด

ผลลัพธ์ (ไทย) 3:

การทำเหมืองข้อมูลแบบจัดกลุ่มแบ่งข้อมูลวัตถุเป็นหลายกลุ่มหรือกลุ่มโดยอัตโนมัติเพื่อให้วัตถุในกลุ่มเดียวกันมีความคล้ายคลึงกันสูง และวัตถุในกลุ่มที่แตกต่างกันมีความแตกต่างใหญ่ การจัดกลุ่มขั้นตอนวิธีการได้รับการศึกษามานานหลายปี ขั้นตอนวิธีการทั่วไป และใน k-means k-medoids k-means ทุกกลุ่มแสดงโดยเฉลี่ยมูลค่าของวัตถุในกลุ่ม กลุ่มกระบวนการแบบสุ่มเลือก K วัตถุแต่ละวัตถุเริ่มแรกเป็นค่าเฉลี่ยของแต่ละกลุ่ม ให้แต่ละวัตถุที่เหลือหนึ่งของ K กลุ่มซึ่งวัตถุมีระยะห่างที่สั้นที่สุด calcuiate ค่าเฉลี่ยของแต่ละกลุ่มและรวมกลุ่มวัตถุทั้งหมดตามระยะทางเฉลี่ยใหม่ ทำโดยเฉลี่ย และจัดขั้นตอนอีกครั้งจนกว่ากลุ่มจะไม่มีการเปลี่ยนแปลง ใน k-medoids แต่ละกลุ่มจะถูกแทนด้วยวัตถุที่เป็นจุดศูนย์กลางของกลุ่ม กลุ่มกระบวนการคล้ายกับ k-means . ขั้นตอนวิธีการสแกนข้อมูลตัวอย่างข้างต้นต้องหลายครั้ง Microsoft @ ให้อัลกอริทึม - มีประสิทธิภาพ scdable ความคาดหวังสูงสุด ( SEM ) [ 21 ( 31 ซึ่งจะสแกนข้อมูลหนึ่งครั้ง แนวคิดพื้นฐานคือการสร้างกลุ่มความหนาแน่นของตัวอย่างวัตถุโดย ขั้นตอนการคำนวณสามารถถูกหยุดได้ทุกที่และเริ่มต้นใหม่อีกครั้ง เราสามารถได้รับผลลัพธ์ที่เหมาะสมที่จุดใด ๆในกระบวนการ ขั้นตอนวิธีการสร้างบางกลุ่มเมื่อการประมวลผลข้อมูลประวัติและการเปลี่ยนแปลงศูนย์กลางของกลุ่มในขณะที่ข้อมูลจะถูกประมวลผลเพื่อหาชุดแปรงที่สามารถอธิบายลักษณะของวัตถุที่คล้ายกัน ตัวอย่างที่ดีที่สุด