1. Trang chủ
  2. » Luận Văn - Báo Cáo

Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link

75 1 0
Tài liệu đã được kiểm tra trùng lặp

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Tiêu đề Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-link
Tác giả Trần Văn Triết
Người hướng dẫn PGS. TS. Dương Tuấn Anh
Trường học Đại học Quốc gia TP. Hồ Chí Minh, Trường Đại học Bách Khoa
Chuyên ngành Khoa học máy tính
Thể loại Luận văn thạc sĩ
Năm xuất bản 2018
Thành phố TP. Hồ Chí Minh
Định dạng
Số trang 75
Dung lượng 1,74 MB

Cấu trúc

  • Chương 1 GIỚI THIỆU TỔNG QUAN ĐỀ TÀI (13)
    • 1.1 Xu hướng dữ liệu hiện tại (13)
    • 1.2 Giới thiệu vấn đề (13)
  • Chương 2 CƠ SỞ LÝ THUYẾT (16)
    • 2.1 Dữ liệu chuỗi thời gian (18)
    • 2.2 Độ đo khoảng cách (19)
    • 2.3 Phương pháp gom cụm (19)
      • 2.3.1 Khái niệm (19)
      • 2.3.2 Khoảng cách giữa các dữ liệu trong gom cụm (20)
      • 2.3.3 Gom cụm phân hoạch (20)
      • 2.3.4 Gom cụm phân cấp (22)
    • 2.4 Rời rạc hóa dữ liệu chuỗi thời gian (23)
    • 2.5 Các giải thuật gom cụm thông dụng (25)
      • 2.5.1 Giải thuật gom cụm phân cấp Single-link (25)
      • 2.5.2 Giải thuật gom cụm Leader (27)
      • 2.5.3 Giải thuật gom cụm k-Means (28)
    • 2.6 Các tiêu chí đánh giá chất lƣợng gom cụm (0)
      • 2.6.1 Đánh giá nội (29)
      • 2.6.2 Đánh giá ngoại (29)
  • Chương 3 NHỮNG CÔNG TRÌNH LIÊN QUAN (16)
    • 3.1 Giải thuật Leader Single-link (32)
      • 3.1.1 Chọn các Leader và ngƣỡng của nó (0)
      • 3.1.2 Leader Single-link, một biến thể của Single-link (32)
      • 3.1.3 Quan hệ giữa giải thuật Single-link và Leader Single-link (33)
    • 3.2 Giải thuật I-kMeans (34)
      • 3.2.1 Phân rã Haar wavelet (35)
      • 3.2.2 Thuật toán có thời gian thực thi tùy chọn (36)
      • 3.2.3 Giải thuật I-kMeans (36)
  • Chương 4: HỆ THỐNG GOM CỤM DỮ LIỆU CHUỖI THỜI GIAN (16)
    • 4.1 Đặt vấn đề (39)
    • 4.2 Hướng giải quyết (39)
      • 4.2.1 Giảm thời gian thực thi giải thuật gom cụm (39)
      • 4.2.2 Gom cụm (39)
      • 4.2.3 Xác định thông số tối ƣu (40)
    • 4.3 Cài đặt giải thuật (40)
      • 4.3.1 Giải thuật k-Means (40)
      • 4.3.2 Giải thuật I-kMeans (40)
      • 4.3.3 Giải thuật Leader Single-link (41)
      • 4.3.4 Giải thuật cải tiến I-Leader Single-link (41)
    • 4.4 Kiến trúc hệ thống (42)
  • Chương 5: THỰC NGHIỆM (17)
    • 5.1 Tập dữ liệu thực nghiệm (45)
    • 5.2 Lựa chọn các thông số tối ƣu (46)
    • 5.3 Chất lƣợng và thời gian thực thi gom cụm (0)
      • 5.3.1 Giải thuật Leader Single-link (47)
      • 5.3.2 Giải thuật cải tiến I-Leader Single-link (61)
    • 5.4 Kết luận (67)
  • Chương 6 KẾT LUẬN (17)
    • 6.1 Tổng kết (69)
    • 6.2 Đóng góp của đề tài (69)
    • 6.3 Hướng phát triển (69)

Nội dung

Do đó nghiên cứu này sẽ vận dụng một giải thuật Leader Single-link đã áp dụng cho dữ liệu thông thường vào dữ liệu chuỗi thời gian, qua đó so sánh đánh giá độ hiệu quả của giải thuật nà

GIỚI THIỆU TỔNG QUAN ĐỀ TÀI

Xu hướng dữ liệu hiện tại

Ngày nay dữ liệu máy tính ngày càng phong phú, đa dạng, song song với đó là yêu cầu trích xuất thông tin từ nguồn dữ liệu này Dữ liệu phổ biến hiện nay là dữ liệu chuỗi thời gian (time series) thu thập bởi các cảm biến điện tử (sensor) nhƣ: dữ liệu dòng chảy của sông ngòi, hay thu thập bởi con người như dữ liệu về bệnh ung thƣ của bệnh viện qua các năm, chứng khoán, giá vàng… Dữ liệu chuỗi thời gian tồn tại trong nhiều lĩnh vực khác nhau nhƣ: kinh tế, tài chính, y học, môi trường…Dữ liệu chuỗi thời gian thu hút rất nhiều nhà nghiên cứu tham gia nghiên cứu để cải tiến các giải thuật nhằm tăng độ chính xác trong việc rút trích thông tin cũng nhƣ về thời gian xử lý khối dữ liệu khổng lồ này để hỗ trợ những quyết định trong kinh doanh, y tế, giáo dục

Giới thiệu vấn đề

Chuỗi thời gian là một tập hợp dữ liệu các trị số đo được dưới dạng chuỗi các số thực theo từng khoảng thời gian cách đều nhau Trong nghiên cứu dữ liệu chuỗi thời gian, người ta thường quan tâm đến một đoạn gồm nhiều giá trị được đo liên tục chứ không quan tâm đến giá trị tại từng thời điểm cụ thể Do đó, chuỗi thời gian có thể đƣợc xem là dữ liệu nhiều chiều, với mỗi chiều là một giá trị quan sát đƣợc tại một thời điểm cụ thể Số chiều có thể lên đến vài chục hoặc vài trăm tùy vào nguồn dữ liệu nhƣ giá trị chứng khoán, dữ liệu điện tim của bệnh nhân

Với nhiều nguồn dữ liệu lớn hiện nay, đặt ra thách thức lớn cho các nhà nghiên cứu trong việc trích xuất thông tin cho nguồn dữ liệu thô này, tùy vào từng lĩnh vực mà mục đích việc phân tích dữ liệu khác nhau: trong thống kê, kinh tế, tài chính, địa lý, khí tƣợng … dùng để dự báo; trong xử lý tính hiệu, kỹ thuật điều khiển và truyền thông dùng trong việc ƣớc lƣợng và phát hiện tín hiệu; trong khai phá dữ liệu, nhận dạng mẫu và học máy dùng cho phân loại (classifying), gom cụm (clustering), phát hiện bất thường cũng như dự báo Trong phạm vi đề tài này sẽ nghiên cứu vấn đề gom cụm dữ liệu chuỗi thời gian

GOM CỤM DỮ LIỆU CHUỖI THỜI GIAN BẰNG PHƯƠNG PHÁP LEADER SINGLE-LINK

Gom cụm là quá trình gom nhóm dữ liệu/đối tƣợng vào các cụm, các đối tượng trong cùng một cụm tương tự với nhau hơn so với đối tượng ở các cụm khác

Han and Kamber [1] phân loại các phương pháp gom cụm dữ liệu được phát triển để xử lý các dữ liệu thông thường khác nhau thành năm loại chính:

- Phân hoạch (partitioning): các phân hoạch đƣợc tạo ra và đánh giá theo một tiêu chí nào đó

- Phân cấp (hierarchical): phân rã tập dữ liệu có thứ tự phân cấp theo một tiêu chí nào đó

- Dựa trên mật độ (density-based): dựa trên connectivity và density functions - Dựa trên lưới (grid-based): dựa trên a multiple-level granularity structure - Dựa trên mô hình (model-based): một mô hình giả thuyết đƣợc đƣa ra cho mỗi cụm; sau đó hiệu chỉnh các thông số để mô hình phù hợp với cụm dữ liệu nhất

Do dữ liệu chuỗi thời gian có đặc trưng riêng so với dữ liệu thông thường với ba đặc điểm chính: số chiều lớn, tính tương quan giữa các bộ dữ liệu rất cao và dữ liệu nhiễu rất lớn Do các đặc điểm riêng này làm cho nhiều giải thuật làm việc hữu hiệu trên dữ liệu thông thường đã không làm việc tốt trên dữ liệu chuỗi thời gian

Các nhà nghiên cứu cố gắng áp dụng lại các thuật toán gom cụm của dữ liệu thông thường cho phù hợp dữ liệu chuỗi thời gian, theo T W Liao gom cụm dữ liệu chuỗi thời gian có 3 hướng tiếp cận [1]:

- Raw-data-based: chuỗi thời gian có thể xử lý trực tiếp áp dụng các giải thuật gom cụm của dữ liệu thông thường, chủ yếu chỉnh sửa lại phần tính khoảng cách/độ tương tự của các bộ dữ liệu chuỗi thời gian

- Feature-based: chuyển dữ liệu chuỗi thời gian qua vector đặc trƣng có số chiều giảm sau đó áp dụng các giải gom cụm thông thường cho các vector đặc trưng trích xuất đƣợc

- Model-based: chuyển dữ liệu chuỗi thời gian qua các tham số mô hình, sau đó áp dụng các giải gom cụm thông thường cho các tham số mô hình này Đề tài này chủ yếu nghiên cứu dùng hai hướng tiếp cận raw-data-based với 2 hai loại gom cụm: phân hoạch (k-Means, Leader) và phân cấp (Single-link), Hình 1.1 thể hiện gom cụm dữ liệu

GOM CỤM DỮ LIỆU CHUỖI THỜI GIAN BẰNG PHƯƠNG PHÁP LEADER SINGLE-LINK

1.3 Động cơ và giới hạn đề tài

Ngày nay dữ liệu chuỗi thời gian ngày càng phổ biến trong đời sống hàng ngày: chứng khoán, dữ liệu sức khỏe con người, thủy văn sông ngòi Nhưng các giải thuật áp dụng cho dữ liệu chuỗi thời gian còn thiếu hơn nhiều so với dữ liệu thông thường.

Do đó nghiên cứu này sẽ vận dụng một giải thuật Leader Single-link đã áp dụng cho dữ liệu thông thường vào dữ liệu chuỗi thời gian, qua đó so sánh đánh giá độ hiệu quả của giải thuật này với giải thuật khác đã thử nghiệm với dữ liệu chuỗi thời gian.

Qua quá trình nghiên cứu và thực nghiệm, luận văn đã cải tiến phương pháp giải thuật hiện tại cho phù hợp với dữ liệu chuỗi thời gian với kết quả tốt hơn.

Trong khuôn khổ đề tài này, luận văn tập trung nghiên cứu gom cụm dữ liệu chuỗi thời gian bằng giải thuật gom cụm Leader Single-link (l-SL) do B Kr Patra và cộng sự đƣa ra năm 2011 [2] Giải thuật này có ƣu điểm so với giải thuật phân cấp Single-link (SL) truyền thống: dùng cho dữ liệu lớn, duyệt qua dữ liệu một lần, nó kết hợp hai giải thuật: đầu tiên dùng giải thuật gom cụm Leader để tìm ra các leader của cụm, tiếp theo là dùng giải thuật phân cấp Single-link để phân hoạch tập leader này Giải thuật Leader Single-link đƣợc đề xuất là nhằm gom cụm dữ liệu thông thường Mục tiêu của đề tài này là nhằm áp dụng giải thuật Leader Single- link vào gom cụm dữ liệu chuỗi thời gian

Hình 1.1 Gom cụm dữ liệu

GOM CỤM DỮ LIỆU CHUỖI THỜI GIAN BẰNG PHƯƠNG PHÁP LEADER SINGLE-LINK

Tiếp đến là nghiên cứu và hiện thực giải thuật gom cụm I-kMeans do E

Keogh và công sự đƣa ra [3] mục tiêu giải thuật là khắc phục nhƣợc điểm của giải thuật k-Means: tăng chất lƣợng gom cụm và giảm thời gian thực thi giải thuật, cho phép người dùng kết thúc quá trình bất kỳ mức nào họ muốn Từ hai giải thuật gom cụm này đưa ra so sánh và đánh giá kết quả gom cụm của hai phương pháp gom cụm dữ liệu chuỗi thời gian Đề xuất giải thuật cải tiến I-Leader Single-link

1.4 Tóm lược kết quả đạt được của luận văn

 Xây dựng chương trình gom cụm dùng giải thuật Leader Single-link cho bài toán gom cụm dữ liệu chuỗi thời gian

 Kết quả giải thuật cải tiến I-Leader Single-link có độ chính xác cao hơn hoặc tương đương nhưng có thời gian thực thi thấp hơn giải thuật Leader

Single-link, xác định đƣợc số leader tối ƣu cho giải thuật nhỏ hơn hoặc bằng (

Ngày đăng: 09/09/2024, 00:38

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
[18] Historical Data for S&P 500 Stocks, [http://kumo.swcp.com/stocks/], 01 – 2015 Link
[1] T. W. Liao, ―Clustering of time series data—a survey‖, In: Pattern Recognition, vol. 38, pp. 1857–1874, 2005 Khác
[2] B. Kr. Patra, S. Nandi, P. Viswanath, ―A distance based clustering method for arbitrary shaped clusters in large datasets‖, In: Pattern Recognition, vol.44, no.12, pp. 2862–2870, 2011 Khác
[3] J. Lin, M. Vlachos, E. Keogh, D. Gunopulos, ―Iterative Incremental Clustering of Time Series‖, 9th International Conference on Extending Database Technology, In: Advances in Database Technology - EDBT 2004, vol. 2992, pp. 106-122, Greece, 2004 Khác
[4] Z. R. Struzik, A. Siebes, ―The Haar Wavelet Transform in the Time Series Similarity Paradigm‖. In: Żytkow J.M., Rauch J. (eds) Principles of Data Mining and Knowledge Discovery. PKDD 1999. Lecture Notes in Computer Science, vol 1704. Springer, Berlin, Heidelberg, 1999 Khác
[5] S. Chu, E. Keogh, D. Hart, M. Pazzani, ―Iterative Deepening Dynamic Time Warping for Time Series‖, In: Proceedings of the 2002 IEEE International Conference on Data Mining, Japan, 2002 Khác
[6] Vo Thi Ngoc Chau, Bài giảng ―Tổng quan về khai phá dữ liệu‖, môn Khai phá dữ liệu, Khoa Khoa Học và Kỹ Thuật Máy Tính, Đại Học Bách Khoa Tp. Hồ Chí Minh, 2015 Khác
[7] P. A. Vijaya, M. N. Murty, D. K. Subramanian, ―Efficient bottom-up hybrid hierarchical clustering techniques for protein sequence classification‖, Pattern Recognition, 39, pp. 2344–2355, 2006 Khác
[8] R.O. Duda, P.E. Hart, D.G. Stork, Pattern Classification, second ed., Wiley Interscience Publication, New York, 2000 Khác
[9] R. Xu, D. Wunsch, ―Survey of clustering algorithms‖, IEEE Transactions on Neural Networks 16, pp. 645–678, 2005 Khác
[10] P. Viswanath, V. Babu, Rough-DBSCAN: ―a fast hybrid density based clustering method for latge data sets‖, Pattern Recognition Letters 30, pp. 1477–1488, 2009 Khác
[11] W. M. Rand, ―Objective Criteria for Evaluation of Clustering Methods, Journal of American Statistical Association‖, 66, pp. 846–850, 1971 Khác
[12] V. Chaoji, M. A. Hasan, S. Salem, M. J. Zaki, SPARCL: an effective and efficient algorithm for mining arbitrary shape-based clusters, Knowledge and Information Systems, 2009 Khác
[13] J. A. Hartigan, Clustering Algorithms, John Wiley & Sons Inc, New York, 1975 Khác
[14] E. Keogh, X. Xi, L. Wei, C. Ratanamahatana, The UCR time series classification/clustering homepage: www.cs.ucr.edu/~eamonn/time_series_data/,2015 Khác
[15] Hubert L. and Arabie P., ―Comparing partitions‖, Journal of Classification, 1985, vol.2, pp. 193 – 218 Khác
[16] Fowlkes E. B. and Mallows C. L., ―A Method for Comparing Two Hierarchical Clusterings‖, Journal of the American Statistical Association, 1983, vol.78, pp. 553 – 569 Khác
[17] Jaccard P., ―The distribution of the flora in the alpine zone‖, New Phytologist, 1912, vol.11, pp. 37 – 50 Khác

HÌNH ẢNH LIÊN QUAN

Hình 2.1 Lưu lượng nước đo tại các trạm gần Luang Prabang (Lào) từ năm 2002- - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 2.1 Lưu lượng nước đo tại các trạm gần Luang Prabang (Lào) từ năm 2002- (Trang 18)
Hình 2.2 Biên độ hai chuỗi thời gian áp dụng độ đo khoảng cách Euclid - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 2.2 Biên độ hai chuỗi thời gian áp dụng độ đo khoảng cách Euclid (Trang 19)
Hình 2.3 thể hiện hai loại khoảng cách trong gom cụm dữ liệu. - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 2.3 thể hiện hai loại khoảng cách trong gom cụm dữ liệu (Trang 20)
Hình 2.4 thể hiện giải thuật phân hoạch k-Means với k=4 - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 2.4 thể hiện giải thuật phân hoạch k-Means với k=4 (Trang 21)
Hình 2.6 Biểu diễn dữ liệu chuỗi thời gian với 10 điểm dữ liệu - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 2.6 Biểu diễn dữ liệu chuỗi thời gian với 10 điểm dữ liệu (Trang 24)
Hình 2.7 PAA với w=7 - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 2.7 PAA với w=7 (Trang 24)
Hình 2.8 Minh họa biểu diễn từ chuỗi thời gian gốc C sang chuỗi mới C’ qua giải - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 2.8 Minh họa biểu diễn từ chuỗi thời gian gốc C sang chuỗi mới C’ qua giải (Trang 25)
Hình 2.9 Tiêu chí trộn các cụm Single-link (trái) và quá trình gom cụm phân cấp - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 2.9 Tiêu chí trộn các cụm Single-link (trái) và quá trình gom cụm phân cấp (Trang 26)
Hình 3.4 mô tả giải thuật gom cụm I-kMeans. - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 3.4 mô tả giải thuật gom cụm I-kMeans (Trang 37)
Hình 4.1 Kiến trúc hệ thống gom cụm - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 4.1 Kiến trúc hệ thống gom cụm (Trang 42)
Hình hiển thị để nhập các thông số khác nhau: - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình hi ển thị để nhập các thông số khác nhau: (Trang 43)
Bảng 5.2 Thông số tối ƣu cho các bộ dữ liệu - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Bảng 5.2 Thông số tối ƣu cho các bộ dữ liệu (Trang 47)
Hình 5.1 Chất lƣợng gom cụm các tập dữ liệu - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 5.1 Chất lƣợng gom cụm các tập dữ liệu (Trang 49)
Hình 5.3 Thời gian gom cụm tập dữ liệu 50words - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 5.3 Thời gian gom cụm tập dữ liệu 50words (Trang 50)
Hình 5.4 Chất lƣợng gom cụm tập dữ liệu CBF - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 5.4 Chất lƣợng gom cụm tập dữ liệu CBF (Trang 50)
Hình 5.6 Trực quan hóa kết quả gom cụm tập CBF - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 5.6 Trực quan hóa kết quả gom cụm tập CBF (Trang 51)
Hình 5.7 Chất lƣợng gom cụm tập dữ liệu ECG200 - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 5.7 Chất lƣợng gom cụm tập dữ liệu ECG200 (Trang 52)
Hình 5.11 Thời gian gom cụm tập dữ liệu FaceAll - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 5.11 Thời gian gom cụm tập dữ liệu FaceAll (Trang 54)
Hình 5.12 và 5.13 thể hiện chất lƣợng gom cụm trên tập Gun Point của giải - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 5.12 và 5.13 thể hiện chất lƣợng gom cụm trên tập Gun Point của giải (Trang 54)
Hình 5.13 Thời gian gom cụm tập dữ liệu Gun Point - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 5.13 Thời gian gom cụm tập dữ liệu Gun Point (Trang 55)
Hình 5.15 Chất lƣợng gom cụm tập dữ liệu OliveOil - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 5.15 Chất lƣợng gom cụm tập dữ liệu OliveOil (Trang 56)
Hình 5.17 Trực quan hóa kết quả gom cụm tập OliveOil - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 5.17 Trực quan hóa kết quả gom cụm tập OliveOil (Trang 57)
Hình 5.18 Chất lƣợng gom cụm tập dữ liệu Trace - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 5.18 Chất lƣợng gom cụm tập dữ liệu Trace (Trang 57)
Hình 5.21 Chất lƣợng gom cụm tập dữ liệu Two Patterns - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 5.21 Chất lƣợng gom cụm tập dữ liệu Two Patterns (Trang 59)
Hình 5.23 và 5.24 thể hiện chất lƣợng và thời gian gom cụm cho tập dữ liệu - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 5.23 và 5.24 thể hiện chất lƣợng và thời gian gom cụm cho tập dữ liệu (Trang 60)
Hình 5.25 Thời gian thực thi và số leader giải thuật Leader Single-link - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
Hình 5.25 Thời gian thực thi và số leader giải thuật Leader Single-link (Trang 62)
Hình  5.29 Chất lƣợng gom cụm tập dữ liệu OliveOil - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
nh 5.29 Chất lƣợng gom cụm tập dữ liệu OliveOil (Trang 64)
Hình  5.31 Chất lƣợng gom cụm tập dữ liệu FaceAll - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
nh 5.31 Chất lƣợng gom cụm tập dữ liệu FaceAll (Trang 65)
Hình  5.33 Chất lƣợng gom cụm tập dữ liệu Stock - Luận văn thạc sĩ Khoa học máy tính: Gom cụm dữ liệu chuỗi thời gian bằng phương pháp Leader Single-Link
nh 5.33 Chất lƣợng gom cụm tập dữ liệu Stock (Trang 66)

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN