Clustering algorithms are attractiv

Clustering algorithms are attractive for the task of class identification
in spatial databases. However, the application to
large spatial databases rises the following requirements for
clustering algorithms: minimal requirements of domain
knowledge to determine the input parameters, discovery of
clusters with arbitrary shape and good efficiency on large databases.
The well-known clustering algorithms offer no solution
to the combination of these requirements. In this paper,
we present the new clustering algorithm DBSCAN relying on
a density-based notion of clusters which is designed to discover
clusters of arbitrary shape. DBSCAN requires only one
input parameter and supports the user in determining an appropriate
value for it. We performed an experimental evaluation
of the effectiveness and efficiency of DBSCAN using
synthetic data and real data of the SEQUOIA 2000 benchmark.
The results of our experiments demonstrate that (1)
DBSCAN is significantly more effective in discovering clusters
of arbitrary shape than the well-known algorithm CLARANS,
and that (2) DBSCAN outperforms CLARANS by
factor of more than 100 in terms of efficiency.
Keywords: Clustering Algorithms, Arbitrary Shape of Clusters,
Efficiency on Large Spatial Databases, Handling Nlj4-
275oise

ผลลัพธ์ (ไทย) 1:

อัลกอริทึมระบบคลัสเตอร์น่าสนใจสำหรับงานของรหัสคลาสในพื้นที่ฐานข้อมูล อย่างไรก็ตาม โปรแกรมประยุกต์ฐานข้อมูลปริภูมิขนาดใหญ่เพิ่มขึ้นตามการสำหรับอัลกอริทึมคลัสเตอร์: ความต้องการน้อยที่สุดของโดเมนความรู้เพื่อกำหนดพารามิเตอร์การป้อนข้อมูล การค้นพบคลัสเตอร์ มีการกำหนดรูปร่างและประสิทธิภาพที่ดีบนฐานข้อมูลขนาดใหญ่แก้ปัญหาไม่มีอัลกอริทึมรู้จักระบบคลัสเตอร์ชุดของข้อกำหนดเหล่านี้ ในเอกสารนี้เรานำเสนอแบบใหม่ระบบคลัสเตอร์อัลกอริทึม DBSCAN ขึ้นบนมีความหนาแน่นตามความของคลัสเตอร์ซึ่งถูกออกแบบมาได้กลุ่มของรูปร่างที่กำหนด DBSCAN ต้องการเพียงคนเดียวป้อนพารามิเตอร์ และสนับสนุนผู้ใช้ในการกำหนดที่เหมาะสมค่ามัน เราดำเนินการประเมินผลการทดลองประสิทธิผลและประสิทธิภาพของการใช้ DBSCANสังเคราะห์ข้อมูลและข้อมูลที่แท้จริงของเกณฑ์มาตรฐาน SEQUOIA 2000ผลการทดลองของเราแสดงให้เห็นว่า (1)DBSCAN เป็นอย่างมากเพิ่มประสิทธิภาพในการค้นพบคลัสเตอร์กำหนดรูปร่างมากกว่ารู้จักขั้นตอนวิธี CLARANSและ (2) DBSCAN outperforms CLARANS โดยที่คูณ 100 กว่าในแง่ของประสิทธิภาพคำสำคัญ: คลัสเตอร์อัลกอริทึม คลัสเตอร์ ทรงกำหนดมีประสิทธิภาพในพื้นที่ฐานข้อมูลขนาดใหญ่ การจัดการ Nlj4-275oise

ผลลัพธ์ (ไทย) 2:

ขั้นตอนวิธีการจัดกลุ่มเป็นที่น่าสนใจสำหรับงานของประชาชนชั้น
ในฐานข้อมูลเชิงพื้นที่ อย่างไรก็ตามการประยุกต์ใช้กับ
ฐานข้อมูลเชิงพื้นที่ที่มีขนาดใหญ่เพิ่มขึ้นความต้องการต่อไปนี้สำหรับ
ขั้นตอนวิธีการจัดกลุ่ม: ข้อกำหนดที่น้อยที่สุดของโดเมน
ความรู้ในการกำหนดค่าพารามิเตอร์การป้อนข้อมูลการค้นพบของ
กลุ่มที่มีรูปร่างโดยพลการและมีประสิทธิภาพที่ดีในฐานข้อมูลขนาดใหญ่.
ขั้นตอนวิธีการจัดกลุ่มที่รู้จักกันดีนำเสนอโซลูชั่นที่ไม่มี
การ การรวมกันของความต้องการเหล่านี้ ในบทความนี้
เราจะนำเสนอขั้นตอนวิธีการจัดกลุ่มใหม่ DBSCAN อาศัย
ความคิดที่มีความหนาแน่นของกลุ่มตามที่ถูกออกแบบมาเพื่อพบกับ
กลุ่มของรูปร่างโดยพลการ DBSCAN ต้องมีเพียงหนึ่ง
พารามิเตอร์การป้อนข้อมูลและการสนับสนุนผู้ใช้ในการพิจารณาที่เหมาะสม
คุ้มค่ามัน เราดำเนินการประเมินผลการทดลอง
ของประสิทธิผลและประสิทธิภาพของ DBSCAN โดยใช้
ข้อมูลที่สังเคราะห์และข้อมูลที่แท้จริงของ SEQUOIA 2000 มาตรฐาน.
ผลการทดลองของเราแสดงให้เห็นว่า (1)
DBSCAN เป็นอย่างมีประสิทธิภาพมากขึ้นในการค้นพบกลุ่ม
ของรูปร่างโดยพลกว่าที่รู้จักกันดี อัลกอริทึม CLARANS,
และ (2) มีประสิทธิภาพดีกว่า DBSCAN CLARANS โดย
ปัจจัยที่มากกว่า 100 ในแง่ของประสิทธิภาพ.
คำสำคัญ: การจัดกลุ่มอัลกอริทึมรูปร่างโดยพลการของกลุ่ม,
ประสิทธิภาพในฐานข้อมูลเชิงพื้นที่ขนาดใหญ่จัดการ Nlj4-
275oise

ผลลัพธ์ (ไทย) 3:

การจัดกลุ่มขั้นตอนวิธีจะน่าสนใจสำหรับงานของตัวชั้น
ในฐานข้อมูลเชิงพื้นที่ อย่างไรก็ตาม การใช้ฐานข้อมูลขนาดใหญ่ขึ้น


ตามความต้องการสำหรับการจัดกลุ่มขั้นตอนวิธี : ความต้องการที่น้อยที่สุดของความรู้
เพื่อกำหนดพารามิเตอร์ที่ป้อนเข้า , การค้นพบของ
กลุ่มที่มีรูปร่างโดยพลการ และประสิทธิภาพดี
บนฐานข้อมูลขนาดใหญ่ที่รู้จักกันดีสำหรับอัลกอริทึมที่เสนอทางแก้ไข
การรวมกันของความต้องการเหล่านี้ ในกระดาษนี้เรานำเสนอขั้นตอนวิธีการจัดกลุ่มใหม่

dbscan อาศัยความหนาแน่นตามความคิดของกลุ่ม ซึ่งถูกออกแบบมาเพื่อค้นหา
กลุ่มสุ่มรูปร่าง dbscan ต้องมีเพียงหนึ่ง
ใส่พารามิเตอร์และสนับสนุนผู้ใช้ในการกำหนดมูลค่าเหมาะสม
สำหรับมันเราทำการประเมินผลการทดลอง
ของประสิทธิผลและประสิทธิภาพของการใช้ dbscan
สังเคราะห์ข้อมูลและข้อมูลที่แท้จริงของ Sequoia 2000 มาตรฐาน .
ผลการทดลองของเราแสดงให้เห็นว่า ( 1 )
dbscan เป็นอย่างมีนัยสำคัญมีประสิทธิภาพมากขึ้นในการค้นพบกลุ่ม
สุ่มรูปร่างมากกว่า clarans ขั้นตอนวิธีที่รู้จักกันดี
และ ( 2 ) dbscan โปรยโดย
claransตัวประกอบของ 100 กว่าในแง่ของประสิทธิภาพ .
คำสำคัญ : การจัดกลุ่มขั้นตอนวิธี รูปร่างโดยพลการของกลุ่ม ,
ประสิทธิภาพฐานข้อมูลขนาดใหญ่ , การจัดการ nlj4 -
275oise