DesignBased on the general principl

Design
Based on the general principles and facts described in previous chapter we will outline concrete form of algorithms and methods used in the clustering framework. The ideas have been formed partially before the implementation, but changed during coding based on arising issues and even after the framework has been finished.
4.1 Hierarchical agglomerative clustering
From several candidates for the clustering algorithm, we have chosen the hierarchical clustering. Its principle can be implemented fairly easily, it will allow incremental clustering and the way it operates will enable us to cache much of the intermediate values it produces.We have decided for the agglomerative variant of the algorithm. Each instance there fore starts with its own cluster and individual clustering iterations merge nearest clusters.With regard to the purpose of the clustering, we must view the clustering process as continual and never ending. It won’t be performed again and again, but rather started once and then slowly proceeding as new data instances will be added to the dataset.When the process is started for the first time, initial processing must be performed. All instances present in the dataset must be analyzed, necessary values calculated, new cluster screat and distances between the clusters calculated. Afterwards, once all instances have been processed, clustering on the dataset must be performed. We call this process initialclustering.The algorithm has several data structures that contain information necessary to perform the clustering effectively. Some of these structures could be abandoned, but the performance of the algorithm would then fall below usable threshold. The basic structures are:
•
Instance distance matrix
contains a matrix of distances between all instances being clustered. This matrix is updated every time a new instance is added by inserting values returned by the distance function. All subsequent operations using a distance value retrieve the calculated value from this matrix. The matrix uses a two dimensional dictionary

Kết quả (Việt) 1:

Thiết kếDựa vào nguyên tắc và các sự kiện được mô tả trong chương trước đó chúng tôi sẽ phác thảo các hình thức cụ thể của thuật toán và phương pháp được sử dụng trong các khuôn khổ kết cụm. Những ý tưởng đã được hình thành một phần trước khi thực hiện, nhưng thay đổi trong mã hóa dựa trên các vấn đề phát sinh và ngay cả sau khi đã hoàn thành các khuôn khổ.4.1 phân cấp agglomerative clusteringTừ một số ứng cử viên cho các thuật toán kết cụm, chúng tôi đã chọn cụm phân cấp. Nguyên tắc của nó có thể được thực hiện khá dễ dàng, nó sẽ cho phép gia tăng clustering và cách nó hoạt động sẽ cho phép chúng tôi để nhớ cache nhiều của các giá trị trung gian, nó tạo ra. Chúng tôi đã quyết định cho các biến thể agglomerative của thuật toán. Mỗi trường hợp có mũi bắt đầu với nhóm của riêng mình và lặp đi lặp lại kết cụm riêng lẻ hợp gần nhất cụm. Đối với mục đích của các cụm, chúng ta phải xem các cụm các quá trình như là liên tục và không bao giờ kết thúc. Nó sẽ không được thực hiện một lần nữa và một lần nữa, nhưng thay vì bắt đầu một lần và sau đó từ từ tiến hành như trường hợp dữ liệu mới sẽ được thêm vào số liệu. Khi quá trình được bắt đầu trong vòng thời gian, ban đầu xử lý phải được thực hiện. Tất cả trường hợp xuất hiện trong bộ dữ liệu phải được phân tích, cần thiết các giá trị tính toán, new cụm screat và khoảng cách giữa các cụm tính toán. Sau đó, sau khi tất cả trường hợp đã được xử lý, cụm trên tập dữ liệu phải được thực hiện. Chúng tôi gọi này initialclustering quá trình. Các thuật toán này có nhiều cấu trúc dữ liệu có chứa thông tin cần thiết để thực hiện các cụm một cách hiệu quả. Một số các cấu trúc có thể bị bỏ rơi, nhưng hiệu suất của các thuật toán sẽ sụp đổ sau đó dưới ngưỡng có thể sử dụng. Các cấu trúc cơ bản là:•Ví dụ khoảng cách ma trậncó một ma trận của khoảng cách giữa tất cả các trường hợp được tập trung. Ma trận này được cập nhật mỗi khi một trường hợp mới được thêm vào bằng cách chèn các giá trị trả về bởi hàm khoảng cách. Tất cả các hoạt động tiếp theo bằng cách sử dụng một giá trị khoảng cách lấy giá trị tính toán từ ma trận này. Sử dụng ma trận hai chiều từ điển

Kết quả (Việt) 2:

Thiết kế
dựa trên các nguyên tắc và sự kiện được miêu tả trong chương trước, chúng tôi sẽ phác thảo hình thức cụ thể của các thuật toán và phương pháp được sử dụng trong khuôn khổ clustering. Những ý tưởng đã hình thành một phần trước khi thực hiện, nhưng thay đổi trong quá trình mã hóa dựa trên các vấn đề phát sinh và ngay cả sau khi khuôn khổ đã được hoàn thành.
4.1 Hierarchical Clustering agglomerative
Từ nhiều ứng cử viên cho các thuật toán clustering, chúng tôi đã lựa chọn các phân nhóm theo thứ bậc. Nguyên tắc của nó có thể được thực hiện khá dễ dàng, nó sẽ cho phép phân nhóm gia tăng và cách nó hoạt động sẽ cho phép chúng tôi để cache nhiều các giá trị trung gian nó produces.We đã quyết định cho các biến thể agglomerative của thuật toán. Mỗi trường hợp có mũi bắt đầu với cụm và phân nhóm cá nhân riêng của mình lặp lại hợp nhất đối clusters.With gần nhất với mục đích của các phân nhóm, chúng ta phải xem quá trình phân nhóm như liên tục và không bao giờ kết thúc. Nó sẽ không được thực hiện một lần nữa và một lần nữa, mà là bắt đầu một lần và sau đó từ từ tiến hành như trường hợp dữ liệu mới sẽ được thêm vào dataset.When quá trình được bắt đầu lần đầu tiên fi, xử lý ban đầu phải được thực hiện. Tất cả các trường hợp có mặt trong tập dữ liệu phải được phân tích, giá trị cần thiết tính toán, screat cluster mới và khoảng cách giữa các cụm tính. Sau đó, một khi tất cả các trường hợp đã được xử lý, clustering trên các số liệu phải được thực hiện. Chúng tôi gọi quá trình thuật toán initialclustering.The này có một số cấu trúc dữ liệu có chứa các thông tin cần thiết để thực hiện các phân nhóm có hiệu quả. Một số trong những cấu trúc có thể bị bỏ rơi, nhưng việc thực hiện các thuật toán sau đó sẽ giảm xuống dưới ngưỡng có thể sử dụng. Các cấu trúc cơ bản là:
•
ma trận khoảng cách thẩm
chứa một ma trận khoảng cách giữa tất cả các trường được nhóm. Ma trận này được cập nhật mỗi khi một trường hợp mới được thêm vào bằng cách chèn các giá trị trả về của hàm khoảng cách. Tất cả các hoạt động tiếp theo sử dụng một giá trị khoảng cách lấy giá trị tính toán từ ma trận này. Các ma trận sử dụng một từ điển hai chiều