• Keine Ergebnisse gefunden

Du kannst zwei Initialisierungsverfahren des k-Means Clustering beschrieben

N/A
N/A
Info
Herunterladen
Protected

Academic year: 2021

Aktie "Du kannst zwei Initialisierungsverfahren des k-Means Clustering beschrieben"

Copied!
1
0
0

Wird geladen.... (Jetzt Volltext ansehen)

Jetzt herunterladen ( 1 Seite )

Volltext

(1)

k-Means Clustering Pr¨ufungsstoff

1. Du kannst eink-Means Clustering f¨ur eine kleine Anzahl zwei- oder eindimensionaler Datenpunkte manuell durchf¨uhren.

• Schritt 1: Zuordnung der Datenpunkte zu den Clusterzentren

• Schritt 2: Centroide aktualisieren

2. Du kannst zwei Initialisierungsverfahren des k-Means Clustering beschrieben.

3. Du kannst das Distortion Measure J bestimmen.

4. Du kannst die folgenden Nachteile des k-Means Clusterings beschreiben:

• Konvergenz gegen ein lokales Optimum

Gegenmassnahme: Verfahren mit mehreren Startwerten durchf¨uhren und das Clustering mit dem Minimalen Wert vonJ w¨ahlen.

• k-Means

”findet“ nur konvexe Cluster.

5. Du kannst mindestens zwei konkrete Anwendungen desk-Means Clusterings nennen.

1

Referenzen

Jetzt herunterladen ( PDF - 1 Seite - 51.52 KB )

ÄHNLICHE DOKUMENTE

=k f ist alsoLosung fur beliebiges k und !=k oder

lenz uge unter der H ullkurve propagieren niht relativ zur H ullkurve: Phasengeshwindigkeit

Du kannst den Differenzialquotienten an einer gegebenen Stelle x0 f¨ur

Du kannst den Differenzialquotienten f¨ ur eine gegebene (differenzierbare) Funktion f an der Stelle x 0 aufstellen und seine geometrische Bedeutung beschreiben.. Du kannst

k-means Clustering

Jeder Punkt wird dem Cluster zugeordnet, zu dessen Centroid er den k¨ urzesten Abstand hat..

Aufgabe 2 F¨uhre f¨ur die Punkte auf dem Zahlenstrahl eink-Means Clustering mitk = 2 durch

F¨ uhre f¨ ur die Punkte auf dem Zahlenstrahl ein k-Means Clustering mit k = 2 durch. Die initialen Clusterzentren sind durch

(1)k-Means Clustering L¨osungen+ Pr¨ufungsvorbereitung Aufgabe 1 • Aus den Datenpunkten werden zuf¨allig k Clusterzentren ausgew¨ahlt

Um das Er- gebnis zu verbessern, kann man das Verfahren mehrfach mit jeweils anderen Startwerten durchf¨ uhren, und dann das Resultat mit dem kleinsten Distortion Measure J w¨

k-means Clustering

Das arithmetische Mittel der zum gleichen Cluster geh¨ orenden Punkte ergibt die neuen Centroide....

A local search approximation algorithm for k-means clustering

For each optimal center o ∈ O, let s o denote its closest heuristic center in S. Note that each optimal center is captured by exactly one heuristic center, but each heuristic center

Improvement of k-means Clustering Algorithm for Analyzing the Morphology of Ice Ridge Sails

The cluster centers are initialized by combining the sample mean and standard deviation, the optimal cluster centers are searched by the hybridizing particle swarm