Hierarchical clustering doesn’t imp

Hierarchical clustering doesn’t impose any requirements on data instances or the distance function. This makes it more suitable for clustering complex data as in our case.However, the algorithm does have two issues that must be noted. Once a cluster merge(or split) is performed, it cannot be undone. That is, if an instance I is merged with acluster A and afterwards a cluster B containing instances very similar to instance I enters the clustering process, there is no way for instance I to be moved to cluster B. This might cause clustering performance degradation in incremental clustering. Another issue is algorithm’scomputational complexity that is quadratic! This is given by the need to calculate distances between all pairs of data instances. The complexity may cause problems if the algorithm isto be employed in our project.
3.2.1.3 Fuzzy C-means
Fuzzy c-means is a variation of the K-means algorithm with addition of uncertainty. Previousalgorithms understood instance’s belonging to a cluster as a boolean statement and a single

Kết quả (Việt) 1:

Phân cấp cụm không áp đặt bất kỳ yêu cầu về trường hợp dữ liệu hoặc hàm khoảng cách. Điều này làm cho nó phù hợp hơn cho cụm các dữ liệu phức tạp như trong trường hợp của chúng tôi. Tuy nhiên, các thuật toán có hai vấn đề đó phải được lưu ý. Một khi một cụm kết hợp (hoặc chia) được thực hiện, nó không thể được hoàn tác. Có nghĩa là, nếu một thể hiện của tôi được sáp nhập với acluster A và sau đó một cụm B có trường hợp rất tương tự như trường hợp tôi vào trình kết cụm, có là không có cách nào ví dụ tôi được chuyển đến nhóm B. Điều này có thể gây ra sự xuống cấp hiệu suất kết cụm trong cụm gia tăng. Một vấn đề khác là sự phức tạp của algorithm'scomputational là bậc! Điều này được đưa ra bởi sự cần thiết để tính toán khoảng cách giữa tất cả các cặp trong trường hợp dữ liệu. Sự phức tạp có thể gây ra vấn đề nếu việcvăn thuật toán được sử dụng trong dự án của chúng tôi.3.2.1.3 mờ C-có nghĩa làMờ c-có nghĩa là một biến thể của các thuật toán K-có nghĩa là với sự không chắc chắn. Previousalgorithms hiểu dụ thuộc về một nhóm như một tuyên bố boolean và một đĩa đơn

Kết quả (Việt) 2:

Phân nhóm theo thứ bậc không áp đặt bất kỳ yêu cầu về trường hợp dữ liệu hoặc các hàm khoảng cách. Điều này làm cho nó phù hợp hơn cho phân nhóm dữ liệu phức tạp như trong case.However của chúng tôi, các thuật toán không có hai vấn đề cần phải được lưu ý. Khi một hợp nhất cluster (hoặc chia) được thực hiện, nó không thể được hoàn tác. Đó là, nếu một ví dụ tôi được sáp nhập với acluster A và sau đó, một nhóm B có chứa các trường hợp tương tự như ví dụ tôi đi vào quá trình phân nhóm, không có cách nào để dụ tôi sẽ được chuyển đến cụm B. Điều này có thể gây ra phân nhóm suy giảm hiệu suất trong gia tăng clustering. Một vấn đề khác là algorithm'scomputational phức tạp đó là bậc hai! Điều này được cho bởi sự cần thiết phải tính toán khoảng cách giữa tất cả các cặp của các trường dữ liệu. Sự phức tạp có thể gây ra vấn đề nếu thuật toán Isto được sử dụng trong các dự án của chúng tôi.
3.2.1.3 Fuzzy C-có nghĩa là
Fuzzy c-means là một biến thể của thuật toán K-means với Ngoài ra không chắc chắn. Previousalgorithms hiểu dụ của thuộc một cụm như một tuyên bố boolean và một đơn