PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Modified alternative decision rule in the pre-clustering algorithm

Treść / Zawartość
Identyfikatory
Warianty tytułu
PL
Zmodyfikowana alternatywna reguła decyzyjna w algorytmie wstępnego klastrowania
Języki publikacji
EN
Abstrakty
EN
In this paper the pre-clustering algorithm with the modified decision rule has been presented. The application of pre-clustering algorithm answers the question whether to carry out the clustering or would it result in the appearance of artificial structure (input data is one cluster and it is unnecessary to divide it). The versatility and simplicity of this algorithm allows using it in a various fields of science and technology. The pros and cons of pre-clustering algorithm have been also considered.
PL
W tej pracy został przedstawiony algorytm wstępnego klastrowania oraz zmodyfikowana alternatywna reguła decyzyjna. Zastosowania algorytmu wstępnego klastrowania odpowiada na pytanie czy potrzebna procedura klastrowania czy spowodowałoby to pojawienia sztucznej struktury (dane wejściowe są jednym klasterem i nie ma potrzeby podziału). Uniwersalność i prostota tego algorytmu pozwala na wykorzystanie go w różnych dziedzinach nauki i techniki. Zalety i wady algorytmu wstępnego klastrowania zostały również rozważone.
Rocznik
Tom
Strony
9--12
Opis fizyczny
Bibliogr. 10 poz., rys., tab.
Twórcy
autor
  • Lodz University of Technology, Institute of Applied Computer Science
autor
  • Lodz University of Technology, Institute of Applied Computer Science
autor
  • Lodz University of Technology, Institute of Applied Computer Science
Bibliografia
  • [1] Aggarwal C.: Data Clustering: Algorithms and Applications 1st Edition, Chapman and Hall, 2013.
  • [2] Gan G., Ma C., Wu G.: Data Clustering: Theory, Algorithms and Applications. ASA-SIAM Series on Statistics and Applied Probability, 2007.
  • [3] Hofmann M., Klinkenberg R.: RapidMiner: Data Mining Use Cases and Business Analytics Applications, Chapman and Hall/CRC, 2013.
  • [4] Jain A., Murthy M.: Flynn P.: Data Clustering: A Review. ACM Computing Surveys (CSUR), 1999.
  • [5] Khan M.A.: H Pre-processing for K-means Clustering Algorithm. Senior Projects Spring, 2015.
  • [6] Kovács L., Bednarik L.: Parameter Optimization for BIRCH Pre-Clustering Algorithm. 12th IEEE International Symposium on Computational Intelligence and Informatics, 2011.
  • [7] Liu Y., Li Zh., Xiong H., Gao X., Wu J.: Understanding of Internal Clustering Validation Measures, IEEE International Conference on Data Mining, 2010.
  • [8] McCallum A., Nigam K., Ungar L.H.: Efficient Clustering of High Dimensional Data Sets with Application to Reference Matching, Proceedings of the sixth ACM SIGKDD international conference on Knowledge discovery and data mining, 169–178.
  • [9] Mosorov V., Tomczak L.: Image Texture Defect Detection Method Using Fuzzy C–Means Clustering for Visual Inspection Systems, Arabian Journal for Science and Engineering, 2014.
  • [10] Rokach L., Maimon.: Clustering Methods, Data Mining and Knowledge Discovery Handbook, 2005.
Uwagi
Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-17f46ab3-c61e-4c58-b9b4-c6975024d45f
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.