Andere Kunden interessierten sich auch für
![Verbesserte Klassifizierungstechnik für Spam-Filterung]( "Verbesserte Klassifizierungstechnik für Spam-Filterung")
Verbesserte Klassifizierungstechnik für Spam-Filterung35,90 €![Analyse und Design von Softwareentwicklungsauf- wandsschätzungen]( "Analyse und Design von Softwareentwicklungsauf- wandsschätzungen")
Analyse und Design von Softwareentwicklungsauf- wandsschätzungen61,90 €![Digitales Nervensystem für eine verbesserte Bereitstellung von Informationsdiensten]( "Digitales Nervensystem für eine verbesserte Bereitstellung von Informationsdiensten")
Digitales Nervensystem für eine verbesserte Bereitstellung von Informationsdiensten49,90 €![Cloud Computing und Bigdata]( "Cloud Computing und Bigdata")
Cloud Computing und Bigdata60,90 €![Eine vergleichende Analyse von LBP-Varianten zur Erkennung von Bildmanipulationen]( "Eine vergleichende Analyse von LBP-Varianten zur Erkennung von Bildmanipulationen")
Eine vergleichende Analyse von LBP-Varianten zur Erkennung von Bildmanipulationen43,90 €![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 €![Gesichtserkennung durch verbesserte Algorithmen und Techniken]( "Gesichtserkennung durch verbesserte Algorithmen und Techniken")
Gesichtserkennung durch verbesserte Algorithmen und Techniken60,90 €
Die Clustering-Analyse ist einer der am häufigsten verwendeten Datenverarbeitungsalgorithmen. Seit über einem halben Jahrhundert ist K-means aufgrund seiner Einfachheit nach wie vor der beliebteste Clustering-Algorithmus. Beim traditionellen K-means-Clustering wird versucht, n Datenobjekte ausgehend von zufälligen Anfangszentren k Clustern zuzuordnen. Die meisten k-means-Varianten neigen jedoch dazu, bei jeder Iteration den Abstand jedes Datenpunkts zu jedem Clusterschwerpunkt zu berechnen. Wir schlagen eine schnelle Heuristik zur Überwindung dieses Engpasses vor, die den mittleren quadratischen Fehler (MSE) nur geringfügig erhöht. Wir beobachten, dass ein Datenpunkt über alle Iterationen von K-means hinweg seine Zugehörigkeit nur zu einer kleinen Teilmenge von Clustern ändert. Unsere Heuristik sagt solche Cluster für jeden Datenpunkt voraus, indem sie nach der ersten Iteration von k-means die nahe gelegenen Cluster betrachtet. Wir erweitern bekannte Varianten von k-means wie Enhanced K-means und K-means with Triangle Inequality mit unserer Heuristik, um ihre Wirksamkeit zu demonstrieren. Für verschiedene Datensätze erreicht unsere Heuristik eine bis zu 3-fache Beschleunigung im Vergleich zu effizienten Varianten von k-means.