Hierarchical clustering algorithms,

Hierarchical clustering algorithms, too, may be unsuitable for clustering data sets containing categori­cal attributes. For instance, consider the centroidbased agglomerative hierarchical clustering algorithm (DH73, JD88]. In this algorithm, initially, each point is treated as а separate cluster. Pairs of clusters whose centroids or means are the closest are then successively merged until the desired number of clusters remain. For categorical attributes, however, distances between centroids of clusters is а poor estimate of the similarity between them as is illustrated by the following exam­ple.

Результаты (русский) 1:

Иерархические алгоритмы кластеризации, тоже, могут быть неподходящими для кластеризации наборы данных, содержащие категориальной атрибуты. Например рассмотрим centroidbased агломерационное иерархический алгоритм кластеризации (DH73, JD88]. В этом алгоритме первоначально, каждая точка рассматривается как отдельный кластер а. Пары кластеров, центроиды или средства которых являются самыми близкими объединяются затем последовательно до тех пор, пока остаются нужное количество кластеров. Для категориальных атрибутов однако, расстояния между центроиды кластеров является а бедные оценить сходство между ними, как это иллюстрируется в следующем примере.

Результаты (русский) 2:

Иерархические алгоритмы кластеризации, тоже может быть неподходящим для кластеризации наборов данных, содержащих категорические атрибуты. Например, рассмотрим centroidbased агломерационных алгоритм иерархической кластеризации (DH73, JD88]. В этом алгоритме, на начальном этапе, каждая точка рассматривается как а отдельный кластер. Пары кластеров, центроиды или средства ближе не затем последовательно объединены до желаемого количества кластеры остаются. Для категориальных атрибутов, однако, расстояния между центрами тяжести кластеров а плохой оценка сходства между ними, как показано на следующем примере.

Результаты (русский) 3:

Иерархическая кластеризация алгоритмы, слишком, может не подходить для группирования данных наборы, содержащие categori­cal атрибуты. Например, рассмотреть вопрос о centroidbased agglomerative иерархический алгоритм кластеризации (DH73, JD88]. В этот алгоритм, первоначально, каждая точка, рассматривается как в отдельной группе.Парами кластеров, центроиды или средства ближе всего, а затем последовательно объединить до нужного количества кластеров. Для категорического атрибуты, тем не менее, расстояния между центроидов кластеров, а плохой оценки сходства между ними как свидетельствуют следующие исследования­PLE.