資料結構
網路
關係型資料庫管理系統 (RDBMS)
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
法律研究什麼是 PROCLUS？
PROCLUS 代表 Projected Clustering（投影聚類）。它是一種常用的降維子空間聚類技術。也就是說，它不是從單個維度空間開始，而是首先在高維屬性空間中找到聚類的原始近似值。
每個維度都會為每個聚類建立一個權重，並且在下一輪迭代中使用更新後的權重來重新建立聚類。這導致了在某些方便維度的所有子空間中探索密集區域，並防止在較低維度的投影維度中生成大量重疊的聚類。
PROCLUS 透過類似於 CLARANS 中使用的爬山階段來發現最佳類中心組，但它被推廣以處理投影聚類。它採用了一種稱為曼哈頓分段距離的距離度量，它是對一組適當維度的曼哈頓距離。
PROCLUS 演算法包括三個過程：初始化、迭代和聚類細化。在初始化過程中，它需要一個貪婪演算法來選擇一組彼此距離較遠的原始類中心，以便確保每個聚類都由選定集中至少一個物件定義。
它可以選擇與需要生成的多個聚類成比例的資料點隨機樣本，然後使用貪婪演算法獲得更小的最終子集用於後續過程。
迭代過程從這個縮小的（類中心）集中隨機選擇一組 k 個類中心，如果聚類得到改進，則用隨機選擇的新的類中心替換“不良”類中心。
對於每個類中心，都會選擇一組維度，其平均距離與數學期望相比較小。與類中心相關的維度總數應為 k×l，其中 l 是一個輸入引數，用於選擇聚類子區域的平均維數。
細化過程根據發現的聚類計算每個類中心的新的維度，將點重新分配到類中心，並刪除異常值。PROCLUS 表明該方法在發現高維聚類方面是有效且可擴充套件的。
與輸出許多重疊聚類的 CLIQUE 不同，PROCLUS 查詢點的非重疊分割槽。發現的聚類可以更好地理解高維資料，並支援其他後續分析。
CLIQUE 必須發現最大維度的子空間，以便高密度聚類在這些子空間中繼續存在。它對輸入物件的順序沒有反應，也不假設某些規範的資料分佈。它隨著輸入大小線性擴充套件，並且隨著資料中維度的增加具有最佳可擴充套件性。
4K+ 瀏覽量
