Optimierung des K-Means-Clustering für Wetterdaten
Versandkostenfrei!
Versandfertig in 6-10 Tagen
35,90 €
inkl. MwSt.
PAYBACK Punkte
0 °P sammeln!
Clustering ist eine der wichtigsten Data-Mining-Techniken zur Klassifizierung oder Partitionierung von Daten in verschiedene Cluster auf der Grundlage von Abstandsanalysen. Es gibt eine Reihe von Clustering-Algorithmen zur Durchführung des Clustering-Prozesses. Diese Clustering-Algorithmen sind jedoch unüberwacht, so dass es aufgrund der ungleichen Partitionen manchmal zu Unreinheiten kommen kann. Die Verunreinigungen können sich auf die Clustergröße, die Bandbreite der Datenwerte, die Standardabweichung der geclusterten Werte usw. beziehen. Aus diesem Grund ist ein überwachter Kontrollm...
Clustering ist eine der wichtigsten Data-Mining-Techniken zur Klassifizierung oder Partitionierung von Daten in verschiedene Cluster auf der Grundlage von Abstandsanalysen. Es gibt eine Reihe von Clustering-Algorithmen zur Durchführung des Clustering-Prozesses. Diese Clustering-Algorithmen sind jedoch unüberwacht, so dass es aufgrund der ungleichen Partitionen manchmal zu Unreinheiten kommen kann. Die Verunreinigungen können sich auf die Clustergröße, die Bandbreite der Datenwerte, die Standardabweichung der geclusterten Werte usw. beziehen. Aus diesem Grund ist ein überwachter Kontrollmechanismus erforderlich, um effektive und genaue Ergebnisse zu erzielen. Die vorgestellte Arbeit geht in die gleiche Richtung, um die Effektivität durch die Implementierung der dynamischen Überwachung zu erreichen. In dieser Arbeit haben wir einen Kontrollmechanismus vor und nach dem Clustering-Prozess implementiert.
Andere Kunden interessierten sich für
