In this paper, we present a novel concept of cluster­ing that is based перевод - In this paper, we present a novel concept of cluster­ing that is based русский как сказать

In this paper, we present a novel c

In this paper, we present a novel concept of cluster­ing that is based on links between data points, instead of distances based on the Lp 3 metric or the J accard coefficient. For domains with discrete non-numeric at­tributes, the unsuitability of the Lp distance metrics and the J accard coefficient as an estimate of the sim­ilarity between clusters is evident from Examples 1.1 and 1.2. The situation with these distance metrics fur­ther worsens as the number of attributes/dimensions increase.
The notion of links between data points helps us overcome the problems with Lp distances and the Jac­card coefficient. Let a pair of points be neighbors if their similarity exceeds a certain threshold. The sim­ilarity value for pairs of points can be based on Lp distances, the Jaccard coefficient or any other non­metric similarity function obtained from a domain ex­pert/ similarity table. The number of links between a pair of points is then the number of common neighbors for the points. Points belonging to a single cluster will in general have a large number of common neighbors, and consequently more links. Thus, during clustering, merging clusters/points with the most number of links first will result in better and more meaningful clusters.
Specifically, in Example 1.1, suppose we defined a pair of transactions to be neighbors if they contained at least one item in common. In that case, transactions { 1, 4} and { 6} would have no links between them and thus would not be merged. Similarly, in Example 1.2, we can show that links are more appropriate than dis­tances for clustering categorical data sets (See Section 3.2).
0/5000
Источник: -
Цель: -
Результаты (русский) 1: [копия]
Скопировано!
В этой статье мы представляем новую концепцию кластеризации, основанный на связи между точками данных, вместо расстояния, основанные на Lp 3 метрики или коэффициент J accard. Для доменов с дискретных атрибутов нечисловое непригодности Lp расстояние метрики и accard коэффициент J как Оценка подобия между кластерами видно из примеров 1.1 и 1.2. Ситуация с этих метрик расстояние дальше ухудшается как количество атрибутов/размеры увеличения. Понятие связей между точками данных помогает нам преодолеть проблемы с Lp расстояния и коэффициент жаккарда. Пусть пара точек соседей если их сходства превышает определенный порог. Значение подобия для пар точек может основываться на Lp расстояния, Jaccard коэффициент или любой другой неметрического сходство функция, полученные от экспертов домена / таблица подобия. Количество связей между парой точек — то количество общих соседей для точек. Точек, принадлежащих один кластер в целом будет иметь большое количество общих соседей и следовательно больше ссылок. Таким образом во время кластеризации, слияния кластеры/очки с наибольшее количество ссылок сначала приведет к лучшей и более значимые кластеры. В частности в примере 1.1, предположим, что мы определили пару сделок быть соседей, если они содержатся по крайней мере один элемент в общем. В этом случае сделки {1, 4} и {6} будет иметь никаких связей между ними и таким образом не будут объединены. Аналогично в примере 1.2, мы можем показать, что ссылки являются более подходящим, чем расстояния для кластеризации категориальной наборы данных (см. раздел 3.2).
переводится, пожалуйста, подождите..
Результаты (русский) 2:[копия]
Скопировано!
В этой статье мы представляем новую концепцию кластеризации, основанный на связи между точками данных, а расстояния на основе метрики Lp 3 или коэффициента J accard. Для областей с дискретными нечисловых атрибутов, непригодность расстояния метрики Lp и коэффициент accard J в качестве оценки сходства между кластерами видно из примеров 1.1 и 1.2. Ситуация с этими расстояние метрик дальнейших ухудшается как число атрибутов / размеры увеличиваются.
Понятие связей между точками данных помогает нам преодолеть проблемы с расстояния Lp и коэффициента Жаккара. Пусть пара точек будет соседей, если их сходство превышает определенный порог. Значение подобия для пар точек могут быть основаны на расстоянии Lp, коэффициент Jaccard или любой другой функции сходства неметрический получены из таблицы домена специалист / подобия. Количество связей между парой точек, то количество общих соседей для точек. Точки, принадлежащие одной кластер в целом имеют большое количество общих соседей, и, следовательно, больше ссылок. Таким образом, во время кластеризации, сливаясь кластеров / точки с наибольшим количеством ссылок первый приведет к улучшению и более значимых кластеров.
В частности, в примере 1.1, предположим, мы определили пару сделок, чтобы быть соседними, если они содержат по меньшей мере один элемент в общей , В этом случае, операции {1, 4} и {6} не будет иметь связи между ними и, таким образом, не будут объединены. Аналогичным образом, в примере 1.2, можно показать, что ссылки являются более подходящими, чем расстояний для кластеризации категориальных данных (раздел 3.2).
переводится, пожалуйста, подождите..
Результаты (русский) 3:[копия]
Скопировано!
В настоящем документе, мы с новаторской концепцией группы­образное, основанное на связи между точками данных, вместо расстояния на базе Lp 3 метрических или J accard коэффициента. Для доменов с дискретной нечисловых на­благодарностей, непригодность Lp расстояние метрики и J accard коэффициент оценка sim-­ilarity между кластерами видно из примера 1.1 . и 1.2 .Ситуация с этим расстояние метрики меха ежедневные­кашель, количество атрибутов/размеры увеличения.
Понятие связей между точками данных помогает нам преодолеть проблемы с Lp расстояния и JAC­карта коэффициента. Позвольте пару моментов быть соседей, если их схожести превышает определенное пороговое значение. SIM-­ilarity значение для пары точек может быть основана на Lp расстояния,В Jaccard коэффициент или любые другие­метрических функций сходства получить домен ex­морской технический комитет Морского ведомства/ сходство. Количество связей между пары точек, а затем число общих соседей для точек. Точек, принадлежащих к одной группе в целом имеют большое число общих соседей, и следовательно, более ссылки. Таким образом, в ходе кластеризации,Слияния кластеров и точек с наиболее число каналов первый приведет к более и более значимые кластеры.
Конкретно, в примере 1.1 , предположим, что мы определены пары сделок, которые могут быть соседей, если они содержат по крайней мере один элемент общего. В этом случае, сделки { 1, 4} и { 6} не будет иметь никаких связей между ними и, таким образом, не будут объединены. Аналогичным образом, в примере 1.2 ,Мы можем показать, что ссылки, более уместным, чем dis­tances для кластеризации категорическое наборов данных (см. раздел 3.2 ).
переводится, пожалуйста, подождите..
 
Другие языки
Поддержка инструмент перевода: Клингонский (pIqaD), Определить язык, азербайджанский, албанский, амхарский, английский, арабский, армянский, африкаанс, баскский, белорусский, бенгальский, бирманский, болгарский, боснийский, валлийский, венгерский, вьетнамский, гавайский, галисийский, греческий, грузинский, гуджарати, датский, зулу, иврит, игбо, идиш, индонезийский, ирландский, исландский, испанский, итальянский, йоруба, казахский, каннада, каталанский, киргизский, китайский, китайский традиционный, корейский, корсиканский, креольский (Гаити), курманджи, кхмерский, кхоса, лаосский, латинский, латышский, литовский, люксембургский, македонский, малагасийский, малайский, малаялам, мальтийский, маори, маратхи, монгольский, немецкий, непальский, нидерландский, норвежский, ория, панджаби, персидский, польский, португальский, пушту, руанда, румынский, русский, самоанский, себуанский, сербский, сесото, сингальский, синдхи, словацкий, словенский, сомалийский, суахили, суданский, таджикский, тайский, тамильский, татарский, телугу, турецкий, туркменский, узбекский, уйгурский, украинский, урду, филиппинский, финский, французский, фризский, хауса, хинди, хмонг, хорватский, чева, чешский, шведский, шона, шотландский (гэльский), эсперанто, эстонский, яванский, японский, Язык перевода.

Copyright ©2024 I Love Translation. All reserved.

E-mail: