3.2. CLUSTERING11a mean of data ins

3.2. CLUSTERING
11a mean of data instances can be calculated. For more complicated data instances, that are not just simple vectors this condition cannot be met. It can be over-come by avoiding the centroid completely a determining the instance distance from clusters by average distance from cluster’s member. Although a viable approach, the computational complexity would rise enormously.Although K-means is a straightforward, versatile and fast algorithm we have decided not to use it in its standard form as a clustering algorithm for our project.
3.2.1.2 Hierarchical clustering
The hierarchical clustering algorithm is together with K-means the most popular clustering technique. This method operates by building a hierarchy of clusters based on similarity of the data instances they contain. The process of building the hierarchy may be terminated when a specified condition is met, resulting in clusters of desired similarity and size.The metric used to measure similarity between instances can be chosen independently of the algorithm, but a second measure is used that defines how the distance between two clusters is calculated from distances between instances in these clusters. There are three basic measures used

Kết quả (Việt) 1:

3.2. CLUSTERING11A có nghĩa là dữ liệu trường hợp có thể được tính. Đối với trường hợp dữ liệu phức tạp hơn, mà không phải là chỉ đơn giản vectơ, tình trạng này không thể được đáp ứng. Nó có thể được over-đến bằng cách tránh centroid hoàn toàn một xác định khoảng cách ví dụ từ cụm của các khoảng cách trung bình từ thành viên của cụm. Mặc dù một phương pháp khả thi, tính toán phức tạp sẽ tăng rất nhiều. Mặc dù K có nghĩa là một thuật toán đơn giản, linh hoạt và nhanh chóng chúng tôi đã quyết định không sử dụng nó ở dạng tiêu chuẩn của nó như là một thuật toán kết cụm cho dự án của chúng tôi.3.2.1.2 hierarchical clusteringCác thuật toán kết cụm phân cấp là cùng với K-phương tiện kỹ thuật kết cụm phổ biến nhất. Phương pháp này hoạt động bằng cách xây dựng một hệ thống phân cấp các cụm dựa trên sự tương tự trong trường hợp dữ liệu họ có chứa. Quá trình xây dựng hệ thống phân cấp có thể chấm dứt khi một specified điều kiện được đáp ứng, kết quả là cụm của mong muốn giống nhau và kích thước. Số liệu được sử dụng để đo lường sự tương tự giữa các trường hợp có thể được lựa chọn độc lập với các thuật toán, nhưng một biện pháp thứ hai sử dụng nó để xác định cách khoảng cách giữa hai cụm tính từ khoảng cách giữa các trường hợp thành các cụm. Có 3 biện pháp cơ bản được sử dụng

Kết quả (Việt) 2:

3.2. Clustering
11a trung bình của trường dữ liệu có thể được tính toán. Đối với trường hợp dữ liệu phức tạp hơn, đó không chỉ là vectơ đơn giản tình trạng này không thể được đáp ứng. Nó có thể là quá đi bằng cách tránh các trọng tâm hoàn toàn một xác định khoảng cách từ dụ cụm theo khoảng cách trung bình từ cluster member của. Mặc dù là một giải pháp khả thi, các tính toán phức tạp sẽ tăng enormously.Although K-means là một thuật toán đơn giản, linh hoạt và nhanh chóng, chúng tôi đã quyết định không sử dụng nó ở dạng chuẩn của nó như là một thuật toán phân nhóm cho dự án của chúng tôi.
3.2.1.2 Hierarchical Clustering
Các thứ bậc thuật toán clustering là cùng với K-có nghĩa là kỹ thuật phân nhóm phổ biến nhất. Phương pháp này hoạt động bằng cách xây dựng một hệ thống các cụm dựa trên sự giống nhau của các trường dữ liệu chứa. Quá trình xây dựng hệ thống phân cấp có thể được chấm dứt khi một điều kiện fi ed cụ thể được đáp ứng, dẫn đến các cụm tương tự mong muốn và size.The số liệu sử dụng để đo lường sự giống nhau giữa các trường hợp có thể được lựa chọn độc lập của thuật toán, nhưng một biện pháp thứ hai được sử dụng để định nghĩa như thế nào khoảng cách giữa hai cụm được tính từ khoảng cách giữa các trường trong các cụm. Có ba biện pháp cơ bản sử dụng