Ein verbesserter Multi-SOM-Algorithmus
Versandkostenfrei!
Versandfertig in 6-10 Tagen
39,90 €
inkl. MwSt.
PAYBACK Punkte
0 °P sammeln!
Clustering-Verfahren zielen darauf ab, homogene Partitionen von Objekten zu erhalten und gleichzeitig die Heterogenität zwischen diesen Partitionen zu fördern. Jeder Clustering-Ansatz, wie hierarchische, partitionierende und neuronale Verfahren, hat letztendlich seine Vorteile und Grenzen. Wir konzentrieren uns auf neuronale Methoden, da sie die Grenzen der hierarchischen und partitionierenden Methoden überwinden und die am besten geeigneten Clustering-Ansätze für große Datenmengen sind. In dieser Arbeit schlagen wir einen Multi-SOM-Algorithmus vor, der ein anderes Bewertungskriterium ve...
Clustering-Verfahren zielen darauf ab, homogene Partitionen von Objekten zu erhalten und gleichzeitig die Heterogenität zwischen diesen Partitionen zu fördern. Jeder Clustering-Ansatz, wie hierarchische, partitionierende und neuronale Verfahren, hat letztendlich seine Vorteile und Grenzen. Wir konzentrieren uns auf neuronale Methoden, da sie die Grenzen der hierarchischen und partitionierenden Methoden überwinden und die am besten geeigneten Clustering-Ansätze für große Datenmengen sind. In dieser Arbeit schlagen wir einen Multi-SOM-Algorithmus vor, der ein anderes Bewertungskriterium verwendet. Daher ist eine Überprüfung der in der Literatur vorgeschlagenen Bewertungsmaßstäbe erforderlich. Dennoch hat die Multi-SOM-Methode trotz ihrer Stärke und Effizienz bei der Abgrenzung von Clustern auch eine Grenze bei der Stoppbedingung.
Andere Kunden interessierten sich für
