資料結構
網路
關係資料庫管理系統 (RDBMS)
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C語言程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
服裝學
法學聚類的應用有哪些？
聚類有各種各樣的應用，如下所示：
可擴充套件性 - 一些聚類演算法在小型資料集（包括少於200個數據物件）中執行良好；然而，大型資料庫可能包含數百萬個物件。對給定大型資料集樣本進行聚類可能會導致結果偏差。需要高度可擴充套件的聚類演算法。
處理不同型別屬性的能力 - 一些演算法旨在對基於區間的（數值）記錄進行聚類。但是，應用程式可能需要對幾種型別的資料進行聚類，包括二進位制資料、分類（名義）資料和有序資料，或這些資料型別的組合。
發現任意形狀的聚類 - 一些聚類演算法根據歐幾里德距離或曼哈頓距離度量來確定聚類。基於此類距離度量的演算法傾向於發現大小和密度相同的球形聚類。但是，聚類可以是任何形狀。必須開發能夠識別任意形狀聚類的演算法。
對確定輸入引數的領域知識的要求最小 - 一些聚類演算法需要使用者在聚類分析中輸入特定引數（包括所需聚類的數量）。聚類結果對輸入引數非常敏感。引數很難確定，特別是對於包含高維物件的資料集。這不僅給使用者帶來負擔，而且也使聚類質量難以控制。
處理噪聲資料的能力 - 一些現實世界的資料庫包含異常值或缺失、未知或錯誤的記錄。一些聚類演算法對這類資料敏感，並可能導致質量差的聚類。
對輸入記錄順序不敏感 - 一些聚類演算法對輸入資料的順序有響應，例如，相同的資料集，當以多種順序呈現給這種演算法時，它可以生成截然不同的聚類。必須開發對輸入順序沒有響應的演算法。
高維性 - 資料庫或資料倉庫可以包含多個維度或屬性。一些聚類演算法最擅長管理低維資料，只包含兩到三個維度。人眼最擅長確定最多三個維度的聚類質量。在高維空間中對資料物件進行聚類是有爭議的，特別是考慮到高維空間中的資料可能非常不足並且高度失真。
基於約束的聚類 - 現實世界的應用程式可能需要在幾種型別的約束下執行聚類。假設你的工作是在城市中為一定數量的新型自動取款機 (ATM) 選擇區域。
3K+ 次瀏覽
