a mean of data instances can be cal

a mean of data instances can be calculated. For more complicated data instances, that are not just simple vectors (see subsection 3.2.2) this condition cannot be met. It can be overcome 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

Kết quả (Việt) 1:

một có nghĩa là trong trường hợp dữ liệu có thể được tính. Đối với trường hợp dữ liệu phức tạp hơn, đó là không chỉ đơn giản vectơ (xem Section 3.2.2) tình trạng này không thể được đáp ứng. Nó có thể được khắc phục 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

Kết quả (Việt) 2:

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 (xem tiểu mục 3.2.2) tình trạng này không thể được đáp ứng. Nó có thể được khắc phục 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 lên rất nhiều. Mặc dù 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