Andere Kunden interessierten sich auch für
![Uma análise comparativa das variantes LBP para a deteção de adulteração de imagens]( "Uma análise comparativa das variantes LBP para a deteção de adulteração de imagens")
Uma análise comparativa das variantes LBP para a deteção de adulteração de imagens29,99 €![Desenvolver um modelo do SDSS para melhorar os serviços de emergência no Egipto]( "Desenvolver um modelo do SDSS para melhorar os serviços de emergência no Egipto")
Desenvolver um modelo do SDSS para melhorar os serviços de emergência no Egipto26,99 €![Novo método para melhorar a extração de dados desequilibrados multi-classe]( "Novo método para melhorar a extração de dados desequilibrados multi-classe")
Novo método para melhorar a extração de dados desequilibrados multi-classe23,99 €![Nova Abordagem Híbrida Ponderada no Método de Recomendação]( "Nova Abordagem Híbrida Ponderada no Método de Recomendação")
Nova Abordagem Híbrida Ponderada no Método de Recomendação23,99 €![Grandes análises de dados sobre a variedade de grandes dados]( "Grandes análises de dados sobre a variedade de grandes dados")
Grandes análises de dados sobre a variedade de grandes dados40,99 €![Uma Técnica Melhorada para Melhorar o Sistema de Deduplicação]( "Uma Técnica Melhorada para Melhorar o Sistema de Deduplicação")
Uma Técnica Melhorada para Melhorar o Sistema de Deduplicação36,99 €![Melhorar o ensino e a aprendizagem através da utilização de tecnologias móveis]( "Melhorar o ensino e a aprendizagem através da utilização de tecnologias móveis")
Melhorar o ensino e a aprendizagem através da utilização de tecnologias móveis23,99 €
A análise de agrupamento é um dos algoritmos de processamento de dados mais comummente utilizados. Ao longo de meio século, K significa que continua a ser o algoritmo de clustering mais popular devido à sua simplicidade. O tradicional K significa clustering tenta atribuir n objectos de dados a k clusters, começando com centros iniciais aleatórios. No entanto, a maioria das variantes k significa que as variantes tendem a calcular a distância de cada ponto de dados a cada centro de agrupamento para cada iteração. Propomos uma heurística rápida para superar este estrangulamento com apenas um aumento marginal do erro médio quadrático (MSE). Observamos que em todas as iterações de K significa, um ponto de dados muda a sua filiação apenas entre um pequeno subconjunto de clusters. A nossa heurística prevê tais aglomerados para cada ponto de dados, olhando para aglomerados próximos após a primeira iteração de k-meios. Aumentamos as conhecidas variantes de k-meios como K-meios melhorados e K-meios com Triângulo Desigualdade usando a nossa heurística para demonstrar a sua eficácia. Para vários conjuntos de dados, a nossa heurística atinge uma velocidade de até 3 vezes quando comparada com variantes eficientes de k-meios.