Gom cụm không gian con dựa vào ràng buộc

81 6 0

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

1 / 81 trang

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang	81
Dung lượng	1,35 MB

Nội dung

Ngày đăng: 11/07/2021, 16:51

Nguồn tham khảo

Tài liệu tham khảo

Loại

Chi tiết

[5]. Ankerst M., Breunig M. M., Kriegel H.-P., Sander J. (1999). “OPTICS: Ordering Points To Identify the Clustering Structure”, Proc. ACM SIGMOD, Philadelphia, PA, pp. 49-60

Sách, tạp chí

Tiêu đề:	OPTICS: Ordering Points To Identify the Clustering Structure
Tác giả:	Ankerst M., Breunig M. M., Kriegel H.-P., Sander J
Năm:	1999

[8]. Bache K. and Lichman M. UCI machine learning repository. http://archive.ics.uci.edu/ml. Accessed 08 Mar-2018

Link

[1]. Achtert, E., Kriegel, H.-P. and Zimek, A. (2008). ELKI: A Software System for Evaluation of Subspace Clustering Algorithms. Proceedings of the 20th international conference on Scientific and Statistical Database Management (SSDBM 08). 5069. pp . 580-585

Khác

[2]. Aggarwal Charu C., Wolf Joel L., Yu Philip S., Cecilia Procopiuc, and Jong Soo Park. (1999). Fast algorithms for projected clustering. In Proceedings of the 1999 ACM SIGMOD international conference on Management of data (SIGMOD '99). ACM, New York, NY, USA, pp. 61-72

Khác

[3]. Agrawal, R. and Srikant, R. (1994). Fast algorithms for mining association rules. In Proceedings of the ACM International Conference on Management of Data (SIGMOD), pp. 487-499

Khác

[4]. Agrawal, R., Gehrke, J., Gunopulos, D., and Raghavan, P. (1998). Automatic subspace clustering of high dimensional data for data mining applications. In Proceedings of the ACM International Conference on Management of Data (SIGMOD), pp. 94–105

Khác

[6]. Assent, I., Krieger, R., Müller, E., and Seidl, T. (2007a). DUSC: Dimensionality unbiased subspace clustering. In Proceedings of the 7 th International Conference on Data Mining (ICDM), pp. 409-414

Khác

[7]. Assent, I., Krieger, R., Müller, E., and Seidl, T. (2007b). VISA: Visual subspace clustering analysis. ACM SIGKDD Explorations Newsletter, Volume 9, Issue 2, pp. 5–12

Khác

HÌNH ẢNH LIÊN QUAN

Hình 1.1. Quá trình gom cụm.[24] - Gom cụm không gian con dựa vào ràng buộc — **Hình 1.1.** Quá trình gom cụm.[24] (Trang 15)

Hình 1.2. Khai thác dữ liệu – tìm kiếm tri thức (các mẫu thú vị) trong dữ liệu [15]. - Gom cụm không gian con dựa vào ràng buộc — **Hình 1.2.** Khai thác dữ liệu – tìm kiếm tri thức (các mẫu thú vị) trong dữ liệu [15] (Trang 17)

Hình 1.4. Dữ liệu 2D khách hàng về vị trí ở trong một thành phố, với ba cụm. [15] Là một nhánh của thống kê, phân tích cụm đã được nghiên cứu rộng rãi, với trọng tâm chính là phân tích cụm dựa trên khoảng cách - Gom cụm không gian con dựa vào ràng buộc — **Hình 1.4.** Dữ liệu 2D khách hàng về vị trí ở trong một thành phố, với ba cụm. [15] Là một nhánh của thống kê, phân tích cụm đã được nghiên cứu rộng rãi, với trọng tâm chính là phân tích cụm dựa trên khoảng cách (Trang 22)

Bảng 1.1. Tổng quan một số phương pháp gom cụm dữ liệu. [15] - Gom cụm không gian con dựa vào ràng buộc — **Bảng 1.1.** Tổng quan một số phương pháp gom cụm dữ liệu. [15] (Trang 29)

Hình 1.5. Tập dữ liệu mẫu với bốn cụm, mỗi cụm trong hai chiều với chiều thứ ba là nhiễu - Gom cụm không gian con dựa vào ràng buộc — **Hình 1.5.** Tập dữ liệu mẫu với bốn cụm, mỗi cụm trong hai chiều với chiều thứ ba là nhiễu (Trang 35)

Hình 1.6. Dữ liệu mẫu được vẽ theo một chiều. [21] - Gom cụm không gian con dựa vào ràng buộc — **Hình 1.6.** Dữ liệu mẫu được vẽ theo một chiều. [21] (Trang 36)

Hình 2.2. Khả năng truy cập mật độ và khả năng kết nối mật độ (density trong gom cụm dựa trên mật độ - Gom cụm không gian con dựa vào ràng buộc — **Hình 2.2.** Khả năng truy cập mật độ và khả năng kết nối mật độ (density trong gom cụm dựa trên mật độ (Trang 43)

Hình 2.1. Tính đơn điệu của kết nối mật độ ( các vòng tròn thể hiện vùng lân cận ε, m = 4) - Gom cụm không gian con dựa vào ràng buộc — **Hình 2.1.** Tính đơn điệu của kết nối mật độ ( các vòng tròn thể hiện vùng lân cận ε, m = 4) (Trang 43)

Bảng 2.1. Cơ sở dữ liệu ví dụ DB - Gom cụm không gian con dựa vào ràng buộc — **Bảng 2.1.** Cơ sở dữ liệu ví dụ DB (Trang 45)

Hình 2.4. Thủ tục sinh vứng viên trong SUBCLU [16]. - Gom cụm không gian con dựa vào ràng buộc — **Hình 2.4.** Thủ tục sinh vứng viên trong SUBCLU [16] (Trang 48)

Bảng 2.2 Dữ liệu cụm (r7,r8,r9,r10,r11) trên A 1A2. - Gom cụm không gian con dựa vào ràng buộc — **Bảng 2.2** Dữ liệu cụm (r7,r8,r9,r10,r11) trên A 1A2. (Trang 50)

Bảng 2.3 Dữ liệu cụm - Gom cụm không gian con dựa vào ràng buộc — **Bảng 2.3** Dữ liệu cụm (Trang 51)

Hình 2.6. Kết quả thực hiện DBSCAN ((r7,r8,r9,r10,r11,r12,r13,r14), A 1A4 ,1,3). - Gom cụm không gian con dựa vào ràng buộc — **Hình 2.6.** Kết quả thực hiện DBSCAN ((r7,r8,r9,r10,r11,r12,r13,r14), A 1A4 ,1,3). (Trang 51)

Hình 2.7. Kết quả thực hiện DBSCAN((r15,r17,r18), A1A4, 1, 3). - Gom cụm không gian con dựa vào ràng buộc — **Hình 2.7.** Kết quả thực hiện DBSCAN((r15,r17,r18), A1A4, 1, 3). (Trang 52)

Bảng 2.4 Dữ liệu cụm (r15,r17,r18) trên A 1A4 - Gom cụm không gian con dựa vào ràng buộc — **Bảng 2.4** Dữ liệu cụm (r15,r17,r18) trên A 1A4 (Trang 52)

Bảng 2.6. Dữ liệu cụm (r15,r16,r18,r19) trên A2A4. - Gom cụm không gian con dựa vào ràng buộc — **Bảng 2.6.** Dữ liệu cụm (r15,r16,r18,r19) trên A2A4. (Trang 53)

Bảng 2.7. Dữ liệu cụm (r7,r9,r10,r11) trên A 1A2A4. - Gom cụm không gian con dựa vào ràng buộc — **Bảng 2.7.** Dữ liệu cụm (r7,r9,r10,r11) trên A 1A2A4. (Trang 55)

Hình 2.11. Kết quả thực hiện DBSCAN((r7,r9,r10,r11), A1A2A4,1,3), được chiếu trên các chiều - Gom cụm không gian con dựa vào ràng buộc — **Hình 2.11.** Kết quả thực hiện DBSCAN((r7,r9,r10,r11), A1A2A4,1,3), được chiếu trên các chiều (Trang 56)

Hình 2.13. Kết quả thực hiện DBSCAN((r7,r9,r10,r11), A1A2A5, 1,3), được chiếu trên các chiều - Gom cụm không gian con dựa vào ràng buộc — **Hình 2.13.** Kết quả thực hiện DBSCAN((r7,r9,r10,r11), A1A2A5, 1,3), được chiếu trên các chiều (Trang 57)

Hình 2.15. Kết quả thực hiện DBSCAN((r9,r10,r13,r14), A1A4A5, 1,3), được chiếu trên các chiều - Gom cụm không gian con dựa vào ràng buộc — **Hình 2.15.** Kết quả thực hiện DBSCAN((r9,r10,r13,r14), A1A4A5, 1,3), được chiếu trên các chiều (Trang 58)

Hình 2.16. Kết quả thực hiện DBSCAN((r15,r16,r18,r19), A2A4A5, 1,3), thể hiện trên bi ểu đồ 3 chiều. - Gom cụm không gian con dựa vào ràng buộc — **Hình 2.16.** Kết quả thực hiện DBSCAN((r15,r16,r18,r19), A2A4A5, 1,3), thể hiện trên bi ểu đồ 3 chiều (Trang 59)

Hình 2.17. Kết quả thực hiện DBSCAN((r15,r16,r18,r19), A2A4A5, 1,3), được chiếu trên các chiều. - Gom cụm không gian con dựa vào ràng buộc — **Hình 2.17.** Kết quả thực hiện DBSCAN((r15,r16,r18,r19), A2A4A5, 1,3), được chiếu trên các chiều (Trang 59)

Hình 3.1. Thủ tục SUBCLU-C. - Gom cụm không gian con dựa vào ràng buộc — **Hình 3.1.** Thủ tục SUBCLU-C (Trang 63)

Hình 3.2. Thủ tục sinh ứng viên cải tiến. - Gom cụm không gian con dựa vào ràng buộc — **Hình 3.2.** Thủ tục sinh ứng viên cải tiến (Trang 64)

Bảng 4.1. Một số đặc điểm của CSDL thực nghiệm - Gom cụm không gian con dựa vào ràng buộc — **Bảng 4.1.** Một số đặc điểm của CSDL thực nghiệm (Trang 70)

Hình 4.1. Ảnh hưởng của ε khi thực thi. Giá trị lớn của ε cho kết quả vùng lân cận lớn hơn của điểm và do đó, số lượng các kết hợp khả thi lớn - Gom cụm không gian con dựa vào ràng buộc — **Hình 4.1.** Ảnh hưởng của ε khi thực thi. Giá trị lớn của ε cho kết quả vùng lân cận lớn hơn của điểm và do đó, số lượng các kết hợp khả thi lớn (Trang 71)

Hình 4.3. Ảnh hưởng của của ràng buộc số cụm tối thiể uc khi thực thi. Giá trị lớn củ ac làm số cụm nhỏ dần về 0 - Gom cụm không gian con dựa vào ràng buộc — **Hình 4.3.** Ảnh hưởng của của ràng buộc số cụm tối thiể uc khi thực thi. Giá trị lớn củ ac làm số cụm nhỏ dần về 0 (Trang 72)

Hình 4.2. Ảnh hưởng của của ràng buộc số cụm tối thiể uc khi thực thi. Giá trị lớn củ ac cho thời gian tìm kiếm nhanh hơn và tiệm cận về một mốc thời gian gần không đổi - Gom cụm không gian con dựa vào ràng buộc — **Hình 4.2.** Ảnh hưởng của của ràng buộc số cụm tối thiể uc khi thực thi. Giá trị lớn củ ac cho thời gian tìm kiếm nhanh hơn và tiệm cận về một mốc thời gian gần không đổi (Trang 72)

Hình 4.4. Biểu đồ thời gian thực thi của SUBCLU-C so với SUBCLU, với ε=0.06, minpts=3 và c=1 - Gom cụm không gian con dựa vào ràng buộc — **Hình 4.4.** Biểu đồ thời gian thực thi của SUBCLU-C so với SUBCLU, với ε=0.06, minpts=3 và c=1 (Trang 73)

Hình 4.7. Biểu đồ thời gian thực thi của SUBCLU-C so với SUBCLU, với ε thay đổi từ 1.0×10-10 đến 5.0×10-10 và minpts = 8, c = 4 - Gom cụm không gian con dựa vào ràng buộc — **Hình 4.7.** Biểu đồ thời gian thực thi của SUBCLU-C so với SUBCLU, với ε thay đổi từ 1.0×10-10 đến 5.0×10-10 và minpts = 8, c = 4 (Trang 75)