資料結構
網路
關係資料庫管理系統
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 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
時尚研究
法律研究分割槽演算法有哪些型別？
分割槽演算法主要有兩種型別，如下所示：
K 均值聚類 - K 均值聚類是最常見的劃分演算法。K 均值將資料集中的每個資料重新分配到新形成的聚類中的一個。使用距離或相似性度量將記錄或資料點分配到最近的聚類。K 均值聚類使用以下步驟：
可以選擇 K 個初始聚類中心 c1、c2、c3 ... ck。
可以將 S 集中的每個例項 x 分配到其中心最接近 x 的聚類。
對於每個聚類，根據該聚類中包含的元素重新計算其中心。
轉到 (b) 直到收斂完成。
可以將物件（資料點）分成 K 個聚類。
它用於聚類中心（質心）=聚類中所有資料點的平均值。
可以將每個點分配到其中心最近的聚類（使用距離函式）。
均值的初始值是任意分配的。這些可以隨機分配，或者可能使用前 k 個輸入項本身的值。收斂元素可以基於平方誤差，但它們不需要是。例如，該演算法被分配到不同的聚類。其他終止技術只是鎖定在固定數量的迭代中。可以包含最大迭代次數以確保即使沒有收斂也能停止。
演算法
輸入
D = {t1t2 ... tn} // Set of elements
k // Number of desired clusters輸出
K // Set of clusters
K 均值演算法 -
為均值分配初始值 m1m2... mk
重複
將每個專案 ti 分配到均值最近的聚類
計算每個聚類的新均值
直到滿足收斂條件
最近鄰演算法 - 一種類似於單鏈接技術的演算法稱為最近鄰演算法。使用此序列演算法，專案被迭代地組合到當前最接近的聚類中。在此演算法中，閾值 t 可以確定專案是插入現有聚類還是生成新聚類。
演算法
輸入
D = {t1t2 ... tn} // Set of elements
A // Adjacency matrix showing distance between elements輸出
K // Set of clusters
Nearest neighbour algorithm
K1 = {t1};
K = {K1};
k = 1;
for i = 2 to n do
find the tm in some cluster Km in K such that dis {ti, tm} is the smallest;
If dis {ti, tm} $\leqslant$ t then
Km = Km $\cup$ ti
else
k = k + 1;
Kk = {ti}
更新於： 2022 年 2 月 15 日
6K+ 次檢視
廣告