Andere Kunden interessierten sich auch für
![Faktencheck durch Partitionierung von Daten]( "Faktencheck durch Partitionierung von Daten")
Faktencheck durch Partitionierung von Daten39,90 €![Ausreißererkennung auf der Grundlage von Clustering über erfasste Daten mit HADOOP]( "Ausreißererkennung auf der Grundlage von Clustering über erfasste Daten mit HADOOP")
Ausreißererkennung auf der Grundlage von Clustering über erfasste Daten mit HADOOP35,90 €![Überwachtes und unüberwachtes Lernen für die genetische Expression]( "Überwachtes und unüberwachtes Lernen für die genetische Expression")
Überwachtes und unüberwachtes Lernen für die genetische Expression54,90 €![VERWENDUNG VON ANWENDUNGEN MIT GEOREFERENZIERTEN DATEN (GPS)]( "VERWENDUNG VON ANWENDUNGEN MIT GEOREFERENZIERTEN DATEN (GPS)")
VERWENDUNG VON ANWENDUNGEN MIT GEOREFERENZIERTEN DATEN (GPS)43,90 €![Ein effizientes hierarchisches Clustering-Verfahren für die medizinische Diagnostik]( "Ein effizientes hierarchisches Clustering-Verfahren für die medizinische Diagnostik")
Ein effizientes hierarchisches Clustering-Verfahren für die medizinische Diagnostik35,90 €![SLICING : Ein Mechanismus zur Veröffentlichung von Daten unter Wahrung der Privatsphäre]( "SLICING : Ein Mechanismus zur Veröffentlichung von Daten unter Wahrung der Privatsphäre")
SLICING : Ein Mechanismus zur Veröffentlichung von Daten unter Wahrung der Privatsphäre39,90 €![Grundlegendes Konzept der Datenstruktur]( "Grundlegendes Konzept der Datenstruktur")
Grundlegendes Konzept der Datenstruktur43,90 €
In diesem Buch wird eine neue Clustering-Technik für kategoriale Daten vorgestellt. Die Effektivität eines Clustering-Verfahrens wird im Wesentlichen durch zwei Aspekte bestimmt: die Suchmethode und die Kriterien für die Nähe. Der vorgeschlagene Algorithmus verwendet einen genetischen Algorithmus für das Clustering, der sich in den Experimenten als effiziente Clustering-Methode für kategoriale Daten erwiesen hat. Die Proximity-Kriterien verwenden ein regelbasiertes informationstheoretisches Maß, das Weight of Evidence. Es findet die interessanten Muster und misst das Gewicht dieser Muster, die das Vorhandensein eines Zielwertpaares unterstützen, um für ein Cluster-Label relevant zu sein. Durch Aufsummieren des Gesamtgewichts, das die Datensätze in den Mustern aufgrund des Vorhandenseins sowohl des Zielwerts als auch des entsprechenden Cluster-Labels erhalten, wird die Fitness im Chromosom gemessen und somit festgestellt, wie gut die Datensätze zusammen geclustert sind.