Instead, we propose a novel concept

Instead, we propose a novel concept of links to measure the similarity/proximity between a pair of data points. We develop a robust hierarchical clustering algorithm ROCK that employs links and not distances when merging clusters. Our methods naturally extend to non-metric similarity measures that are relevant in situations where a domain expert/similarity table is the only source of knowledge. In addition to presenting detailed complexity results for ROCK, we also conduct an experimental study with real-life as well as synthetic data sets. Our study shows that ROCK not only generates better quality clusters than traditional algorithms, but also exhibits good scalability properties.

Результаты (русский) 1:

Вместо этого мы предлагаем новое понятие ссылки для измерения бесконтактный сходство между парой точек данных. Мы разрабатываем надежные иерархический алгоритм кластеризации рок, который использует ссылки и не расстояния при слиянии кластеров. Наши методы естественно распространяется на мер сходства-метрики, которые актуальны в ситуациях, когда таблица эксперт/сходство домена является единственным источником знаний. Помимо представления подробных сложности результаты для ROCK, мы также проводим экспериментальное исследование с реальной жизни, а также синтетические наборами данных. Наше исследование показывает, что рок не только создает лучшего качества кластеров, чем традиционные алгоритмы, но также обладает свойствами, хорошей масштабируемости.

Результаты (русский) 2:

Вместо этого, мы предлагаем новую концепцию ссылок для измерения подобия / близость между парой точек. Мы разрабатываем надежные иерархической кластеризации алгоритм ROCK, который использует ссылки и не расстояния при слиянии кластеров. Наши методы, естественно, распространяется на неметрических мер подобия, которые имеют отношение в ситуациях, когда таблица эксперт предметной области / сходство единственным источником знаний. В дополнение к представлению подробные результаты сложности для рок, мы также провести экспериментальное исследование с реальной жизни, а также синтетических наборов данных. Наше исследование показывает, что рок не только генерирует более кластеров качества, чем традиционные алгоритмы, но и обладает хорошими свойствами масштабируемости.

Результаты (русский) 3:

Вместо этого мы предлагаем новые концепции связей для измерения сходства/близости между парой точек данных. Мы готовы разработать надежные иерархический алгоритм кластеризации рок, использует ссылки и не расстояния при слиянии кластеров. Наши методы естественно распространить на неметрические сходство меры, которые имеют значение в ситуациях, когда домен эксперта/сходство таблица является единственным источником знаний.В дополнение к представлению подробные сложность результаты для рок, мы также провести экспериментальные исследования с реальными, а также синтетические наборов данных. Наше исследование показывает, что рок не только генерирует более высокое качество кластеров не традиционных алгоритмов, но и выставки хорошую масштабируемость свойства.