0

1 tổng quan lý thuyết về phân cụm dữ liệu

TÌM HIỂU GOM CỤM DỮ LIỆU ỨNG DỤNG CÀI ĐẶT K-MEANS

TÌM HIỂU GOM CỤM DỮ LIỆU ỨNG DỤNG CÀI ĐẶT K-MEANS

Hệ thống thông tin

... x 31  m14 * x 41 *1  *1. 5  *1. 3  *  1 1   m 11  m12  m13  m14 v12  m 11 * x12  m12 * x 22  m13 * x32  m14 * x 42 *  * 3.2  * 2.8  *1  3 1   m 11  m12  m13  m14 Vậy v1 = ... chọn cụm có khoảng cách gần để đưa đối tượng vào cụm d ( x1, v1)  ( x 11  v 11) 2  ( x12  v12) = d ( x1, v2)  ( x 11  v 21) 2  ( x12  v22)2 = (1  1) 2  (3  3)2  (1  1. 93)  (3  2.33)  1. 14 ... Phá Dữ Liệu Kho Dữ Liệu Trang NỘI DUNG CƠ SỞ THUYẾT 1. 1 Tổng quan khai phá liệu 1. 1 .1 Ý nghĩa việc khai phá liệu: 1. 1.2 Các bước khám phá tri thức: 1. 1.3 Tổng...
  • 24
  • 487
  • 1
Kỹ Thuật Gom Nhóm Văn Bản Demo thuật toán K-means

Kỹ Thuật Gom Nhóm Văn Bản Demo thuật toán K-means

Hệ thống thông tin

... |x2 – x1| + |y2 – y1| = |2 – 2| + |10 – 10 | =0+0 =0 vector trọng tâm cụm x1, y1 x2, y2 (2, 10 ) (5, 8) ρ(a, b) = |x2 – x1| + |y2 – y1| 10 ρ(vector, trọng tâm cụm 2) = |x2 – x1| + |y2 – y1| = |5 ... – 2| + |8 – 10 | =3+2 =5 vector trọng tâm cụm x1, y1 x2, y2 (2, 10 ) (1, 2) ρ(a, b) = |x2 – x1| + |y2 – y1| ρ(vector, trọng tâm cụm 2) = |x2 – x1| + |y2 – y1| = |1 – 2| + |2 – 10 | =1+ 8 =9 Cập nhật ... |x2 – x1| + |y2 – y1| ρ(vector, trọng tâm cụm 1) = |x2 – x1| + |y2 – y1| = |2 – 2| + |10 – 5| =0+5 =5 vector trọng tâm cụm x1, y1 x2, y2 (2, 5) (5, 8) ρ(a, b) = |x2 – x1| + |y2 – y1| 12 ρ(vector,...
  • 22
  • 1,176
  • 5
Tìm hiểu luật kết hợp và kỹ thuật gom cụm trong khai phá dữ liệu – chương trình demo thuật toán Apriori và K-means

Tìm hiểu luật kết hợp và kỹ thuật gom cụm trong khai phá dữ liệu – chương trình demo thuật toán Apriori và K-means

Hệ thống thông tin

... + m 11* x12 + m12 * x 22 + m13 * x32 + m14 * x 42 m 11 + m12 + m13 + m14 1* + * 3.2 + * 2.8 + *1 =3 1+ + + Vậy v1= (1, 3) Vector v2 cho cụm 2: v 21 = = *1 + *1. 5 + 1* 1.3 + 1* = 5.8/3 =1. 93 +1+ 1 +1 v ... x12 + m13 * x 31 + m14 * x 41 m 11 + m12 + m13 + m14 HVTH: Nguyễn Thị Kim Phượng v 11 = Trang 43 Bài Thu Hoạch “DATA MINING” = v12 = =  GVHD: PGS - TS Đỗ Phúc 1* 1 + *1. 5 + *1. 3 + * =1 1+ + + m 11* ... m 21* x 11 + m22 * x12 + m23 * x 31 + m24 * x 41 m 21 + m22 + m23 + m24 m 21* x12 + m22 * x 22 + m23 * x32 + m24 * x 42 m 21 + m22 + m23 + m24 * + 1* 3.2 + 1* 2.8 + 1* 1 = 7/3=2.33 +1+ 1 +1 Vậy v2= (1. 93,2.33)...
  • 77
  • 704
  • 6
Phân loại hành vi khách hàng sử dụng dịch vụ di động dựa trên thuật toán k means

Phân loại hành vi khách hàng sử dụng dịch vụ di động dựa trên thuật toán k means

Thạc sĩ - Cao học

... tạo sau điều chỉnh Nhóm 10 11 12 13 14 15 16 17 18 PS 0 0 0.5 0.5 0.5 0.5 0.5 1 1 1 1 PC 0.5 1 0.5 1 0 0.5 0.5 0.5 1 PT 1 0.5 1 0.5 0.5 0.5 0.5 19 3.3.3 Chuyển đổi liệu tổng đài theo định dạng ... chưa gán lớp Phân cụm liệu: Khác với phân loại dự báo liệu, phân cụm liệu phân tích liệu mà không tham khảo lớp liệu biết trước Với nguồn liệu biểu diễn tập đối tượng, phân cụm liệu nhóm đối ... không rõ, liệu sai Một số thuật toán phân cụm nhạy cảm với liệu dẫn đến kết phân cụm có chất lượng Tập liệu gốc loại bỏ thành phần nhiễu trở thành đầu vào tốt cho giai đoại phân cụm liệu 1. 3 Kết...
  • 28
  • 983
  • 1
Phân cụm đa mức Web bằng thuật toán K-means dựa trên chủ đề ẩn và thực nghiệm đánh giá

Phân cụm đa mức Web bằng thuật toán K-means dựa trên chủ đề ẩn và thực nghiệm đánh giá

Công nghệ thông tin

... Giới thiệu phân cụm web đa mức 1. 1 Phân cụm liệu 1. 2 Yêu cầu phân cụm liệu 1. 3 Phân cụm web đa mức 1. 4 Các thuật toán phân cụm HAC K-means 1. 4 .1 Thuật toán ... diễn qua Phân cụm cấp I Cụm Cụm k Phân cụm cấp II Phân cụm cấp II Cụm 1. 1Cụm k .1 Cụm 1. m Hình 6: Mô hình phân cụm đa cấp ứng dụng chủ đề n Mô hình bao gồm chủ yếu bước sau: (a) Chọn liệu miền ... lượng phân cụm khó kiểm soát 4) Khả xử liệu nhiễu Đa số sở liệu thực tế chứa liệu biên, thiếu, sai Những thuật toán phân cụm phục thuộc vào liệu chuNn dẫn tới kết phân cụm tồi xử liệu 5) Phân...
  • 46
  • 538
  • 1
tài liệu Thuật toán k means

tài liệu Thuật toán k means

Cao đẳng - Đại học

... (tt): Xét C: d(C,M1)= (3 11 ) (1 1) 3 d(C,M2)= (3 0) (1 3) 13 C thuộc nhóm Xét D: d(D,M1)= (4 11 ) (2 1) 10 d(D,M2)= (4 0) (2 3) 17 D thuộc nhóm Xét E: d(E,M1)= (4 11 ) (0 1) 10 d(E,M2)= (4 0) (0 ... Xét A: d(A,M1)= (1 11) (2 1) d(A,M2)= (1 ) (2 ) 2 A thuộc nhóm 11 (0 ) (3 1) Xét B: d(B,M1)= d(B,M2)= (0 ) (3 ) 2 B thuộc nhóm 2 2 73 2 2 13 3 {A (1, 2), B(0,3), C(3 ,1) , D(4,2), E(4,0)} 11 Bước (tt): ... Nhóm 2 2 13 2 2 17 2 Xét C: d(C,M1) = (3 1) (1 2) d(C,M2) = (3 0) (1 3) 13 C thuộc Nhóm Xét D: d(D,M1) = (4 1) (2 2) d(D,M2) = (4 0) (2 3) 17 D thuộc Nhóm Xét E: d(E,M1) = (4 1) (0 2) 13 23 d(E,M2)...
  • 13
  • 376
  • 0
Gom Văn bản bằng Thuật toán K-Means

Gom Văn bản bằng Thuật toán K-Means

Hệ thống thông tin

... y1| = |5 – 2| + |8 – 10 | =3+2 =5 vector trọng tâm cụm x1, y1 x2, y2 (2, 10 ) (1, 2) p (a, b) = |x2 – x1| + |y2 – y1| p (vector, trọng tâm cụm 2) = |x2 – x1| + |y2 – y1| = |1 – 2| + |2 – 10 | =1+ 8 ... trọng tâm cụm 1) = |x2 – x1| + |y2 – y1| = |2 – 2| + |10 – 10 | =0+0 =0 vector trọng tâm cụm x1, y1 x2, y2 (2, 10 ) (5, 8) p (a, b) = |x2 – x1| + |y2 – y1| p (vector, trọng tâm cụm 2) = |x2 – x1| + ... (2, 10 ) p (a, b) = |x2 – x1| + |y2 – y1| p(vector, trọng tâm cụm 1) = |x2 – x1| + |y2 – y1| = |2 – 2| + |10 – 5| =0+5 =5 vector trọng tâm cụm x1, y1 x2, y2 (2, 5) (5, 8) p (a, b) = |x2 – x1| +...
  • 28
  • 1,160
  • 6
THUẬT TOÁN K-MEANS VỚI ỨNG DỤNG WEKA TRONG BÀI TOÁN THỰC TẾ

THUẬT TOÁN K-MEANS VỚI ỨNG DỤNG WEKA TRONG BÀI TOÁN THỰC TẾ

Hệ thống thông tin

... bỏ số thuộc tính liên quan đến thuộc tính phân lớp Kịch 1: Loại bỏ F6… F9 Thiết lập tham số: Attribute Indices = 1, 2, 10 , 11 , 12 , 13 (Để loại bỏ 1. 2 luôn, 10 , 11 , 12 , 13 để dâ) Kịch 2: Sử dụng ... 10 Ứng dụng WEKA toán thực tế : 18 1. 1.Mô tả tập liệu (Dataset) 18 1. 1 .1. Nguồn gốc (UCI ARFF Repository) 18 1. 1.2.Thuộc tính ý nghĩa thuộc tính .19 ... CSDL Chương : TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU 1. 1 Giới thiệu khai phá liệu: Khai phá liệu định nghĩa trình trích xuất thông tin có giá trị tiềm ẩn bên lượng lớn liệu lưu trữ sở liệu, kho liệu Cụ thể...
  • 35
  • 3,305
  • 15
THUẬT TOÁN GOM CỤM K-MEDOIDS  SỰKHÁC NHAU GIỮA THUẬT TOÁN K-MEDOIDS VÀ THUẬT TOÁN K-MEANS

THUẬT TOÁN GOM CỤM K-MEDOIDS SỰKHÁC NHAU GIỮA THUẬT TOÁN K-MEDOIDS VÀ THUẬT TOÁN K-MEANS

Hệ thống thông tin

... gom cụm liệu tìm mẫu đại diện gom liệu tương tự (theo chuẩn đánh giá đó) thành cụm Các điểm liệu cụm khác có độ tương tự thấp điểm liệu cụm Một số ứng dụng tiêu biểu gom cụm: - Xem xét phân bổ liệu ... đến cụm Toạ độ điểm Toạ độ điểm Điểm trọng tâm c2 trọng tâm 7 4 7 6 7 7 10 7 Khoảng cách 1 2 So sánh bảng liệu ta thấy: Điểm 1, 3,4 có khoảng cách gần cụm c1 nên gom điểm vào chung cụm c1 Cụm c1 ... so với total cost ban đầu Kết cho ta liệu không thay đổi Chúng ta gom cụm ban đầu Cụm 1: c1={x1,x2,x3,x4} Cụm 2: c2={x5,x6,x7,x8,x9,x10} Điểm mạnh: Xử với liệu nhiễu mẫu cá biệt Điểm yếu: -...
  • 11
  • 3,517
  • 18
Thuật toán K-Means và ứng dụng trong thực tế

Thuật toán K-Means và ứng dụng trong thực tế

Hệ thống thông tin

... đầu Dữ liệu đầu ra: Các cụm liệu thể thông qua ma trận phân hoạch cuối Học viên: Bùi Anh Kiệt – CH 110 1 018 13 Khai phá liệu & kho liệu Thuật toán K-Means & ứng dụng thực tế Bước 1: (1) Chọn số cụm ... Anh Kiệt – CH 110 1 018 17 Khai phá liệu & kho liệu Thuật toán K-Means & ứng dụng thực tế Hình Nội dung file liệu đầu vào Học viên: Bùi Anh Kiệt – CH 110 1 018 18 Khai phá liệu & kho liệu Thuật toán ... 16 Phụ lục 17 Tài liệu tham khảo 23 Học viên: Bùi Anh Kiệt – CH 110 1 018 Khai phá liệu & kho liệu Thuật toán K-Means & ứng dụng thực tế Thuật toán K-Means 1. 1 Tổng quan...
  • 23
  • 3,579
  • 19
TÌM HIỂU VÀ CÀI ĐẶT ỨNG DỤNG THUẬT TOÁN K MEANS

TÌM HIỂU VÀ CÀI ĐẶT ỨNG DỤNG THUẬT TOÁN K MEANS

Hệ thống thông tin

... cứng (1 điểm liệu thuộc cụm) FCM phân cụm liệu mờ (1 điểm liệu thuộc nhiều cụm với xác suất định) • Thêm yếu tố quan hệ phần tử cụm liệu thông qua trọng số ma trận biểu biễn bậc thành viên với cụm ... Phúc 12 HVTH: CH 110 1 015 _Lê Thị Phúc Khoa • • • • • Bảo đảm hội tụ sau số bước lặp hữu hạn Luôn có K cụm liệu Luôn có điểm liệu ột cụm liệu Các cụm không phân cấp không bị chồng chéo liệu lên Mọi ... Ngày…….tháng…… năm 2 012 GVHD: TS Đỗ Phúc HVTH: CH 110 1 015 _Lê Thị Phúc Khoa Mục Lục GVHD: TS Đỗ Phúc HVTH: CH 110 1 015 _Lê Thị Phúc Khoa I Giới thiệu kỹ thuật phân cụm “khai phá liệu (Clustering Techniques...
  • 17
  • 690
  • 0
THUẬT TOÁN K-MEANS VỚI BÀI TOÁN PHÂN CỤM DỮ LIỆU

THUẬT TOÁN K-MEANS VỚI BÀI TOÁN PHÂN CỤM DỮ LIỆU

Hệ thống thông tin

... 2: TỔNG QUAN THUYẾT VỀ PHÂN CỤM TRONG KHAI PHÁ DỮ LIỆU Định nghĩa phân cụm liệu : Phân cụm hình thức học không giám sát mẫu chưa gán nhãn Mục đích phân cụm liệu gom liệu tương tự nhau, thành cụm ... đích phân cụm liệu Mục đích phân cụm liệu nhằmkhám phá cấu trúc liệu thành lậpcác tập liệu từ nhóm liệu lớn Phân cụm liệu giúp ta hệ thống lạidữ liệu làm cho chúng không bị rời rạc Với sở liệu ... k-means phân cụm toàn điểm liệu U thành k cụm C ={C1 ,C2 ,K,Ck }, cho điểm liệu xi nằm cụm Để biết điểm liệu thuộc cụm người ta gán cho mã cụm Các điểm có mã cụm cụm, điểm khác mã cụm cụm khác Một cụm...
  • 22
  • 1,138
  • 0
Cải tiến thuật toán K-means trong phân cụm dữ liệu tự động

Cải tiến thuật toán K-means trong phân cụm dữ liệu tự động

Hệ thống thông tin

... C2={(2+4+5)/3, (1+ 3+4)/3}= (11 /3,8/3) B3: Lặp lại B1 d(X1,C1)=0 d(X1,C2)={ (1- 11/ 3)^2+ (1- 8/3)^2}=9,8  X1 thuộc C1 d(X2,C1) =1 d(X2,C2)=5,56  X2 thuộc C1 d(X3,C1) =13 12 d(X3,C2)=0,22  X3 thuộc C2 d(X4,C1)=25 d(X4,C2)=3,56 ... tâm cụm C1=X1(3/2 ,1) Trọng tâm cụm C2=(9/2,7/2) Lặp lại B3 d(X1,C1)=0,25 d(X1,C2) =18 ,5  X1 thuộc C1 d(X2,C1)=0,25 d(X2,C2) =12 ,5  X2 thuộc C1 d(X3,C1) =10 ,25 d(X3,C2)=0,5  X3 thuộc C2 d(X4,C1)= 21, 25 ... X1 (1, 1), X2(2 ,1) , X3(4,3), X4(5,4) Lấy điểm X1, X2 làm trọng tâm C1(X1), C2(X2) Lần lược xem xét điểm X1,X2, X3, X4 để xem chúng thuộc vào nhóm B1: Tính khoảng cách d(X3,C1)= (4 -1) ^2+(3 -1) ^2 =13 ...
  • 15
  • 865
  • 1
MỘT SỐ PHƯƠNG PHÁP GOM CỤM DỮ LIỆU -THUẬT TOÁN K-MEANS

MỘT SỐ PHƯƠNG PHÁP GOM CỤM DỮ LIỆU -THUẬT TOÁN K-MEANS

Hệ thống thông tin

... Mục lục Chương 1: TỔNG QUAN VỀ GOM CỤM DỮ LIỆU 1. 1 Định nghĩa gom cụm 1. 1 .1 Định nghĩa - Gom cụm kỹ thuật quan trọng khai phá liệu, thuộc lớp phương pháp Unsupervised ... tài 1. 1.6 .Phân cụm Web - Là phân cụm tập tài liệu lấy từ Web Có hai tình phân cụm tài liệu Tình thứ việc phân cụm toàn CSDL có sẵn gồm nhiều tài liệu Web Tình thứ hai thường áp dụng tập tài liệu ... CỤM DỮ LIỆU 3 .1 Thuật toán K-MEANS 3 .1. 1 Ý tưởng - Ý tưởng phương pháp phân tập liệu có n phần tử cho trước thành k nhóm liệu cho phần tử liệu thuộc nhóm liệu nhóm liệu có tối thiểu phần tử liệu...
  • 26
  • 2,373
  • 7
Phân cụm dữ liệu bằng thuật toán K-means

Phân cụm dữ liệu bằng thuật toán K-means

Hệ thống thông tin

... phá liệu kho liệu Trang Phần II Phân cụm liệu thuật toán phân cụm liệu Phân cụm liệu a Định nghĩa Phân cụm liệu( Data Clustering) hay phân cụm, gọi phân tích cụm, phân tích phân đoạn, phân tích phân ... sở thuyết khai phá liệu kho liệu, tập trung tìm hiểu phân cụm liệu sử dụng thuật toán K-means Nội dung tiểu luận bao gồm: Phần : Cơ sở thuyết khai phá liệu kho liệu Phần : Phân cụm liệu ... Trọng tâm cụm 1: c1 = (1, 1) Trong tâm cụm 2: c2 = (11 /3,8/3) Bước 4: lặp lại bước 2: d(A, c1 ) = < d(A, c2 ) = 9.89 A thuộc cụm d(B, c1 ) = < d(B, c2 ) = 5.56 B thuộc cụm d(C, c1 ) = 13 > d(C,...
  • 26
  • 1,202
  • 1
Tìm hiểu Gom cụm dữ liệu & thuật toán K-Means

Tìm hiểu Gom cụm dữ liệu & thuật toán K-Means

Hệ thống thông tin

... = 1. 26 m 11 + m12 + m13 + m14 1+ 1 +1+ V12 = m 11 * x12 + m12 * x 22 + m13 * x32 + m14 * x 42 * + * 3.2 + * 2.8 + *1 = =3 m 11 + m12 + m13 + m14 1+ 1 +1+ ⇒ V1 = (1. 26; 3) * Vector V2 cho cụm C2: V 21 ... CH 110 1038 27 Khai thác liệu (Data Mining) - Tìm hiểu Gom cụm liệu & thuật toán K-Means V 11 = m 11 * x 11 + m12 * x 21 + m13 * x 31 + m14 * x 41 *1 + *1. 5 + *1. 3 + * = =1 m 11 + m12 + m13 + m14 1+ ... trận phân hoạch mới: U1 = C1 C2 x1 x2 x3 x4 1 0 0 Lặp lại Bước Bước theo ma trận Tính vector trọng tâm: * Vector V1 cho cụm C1: V 11 = m 11 * x 11 + m12 * x 21 + m13 * x 31 + m14 * x 41 * + *1. 5 + *1. 3...
  • 43
  • 650
  • 5
Thuật toán k-means và phân tích các ưu khuyết điểm

Thuật toán k-means và phân tích các ưu khuyết điểm

Hệ thống thông tin

... thuật toán để tiền xử tạo liệu dùng cho phương pháp thuật toán khác 11 Nguyễn Thị Phương Thủy - CH 110 1046 F PHẦN TÀI LIỆU THAM KHẢO [1] PGS.TS Đỗ Phúc, Giáo trình Khai thác liệu, nhà xuất Đại ... Phương pháp phân hoạch Phương pháp phân hoạch gom cụm phương pháp phân hoạch sở liệu D, có n đối tượng vào k cụm, cho: - Mỗi cụm chứa đối tượng - Mỗi đối tượng thuộc cụm nhất, phương pháp phân hoạch ... 11 F PHẦN TÀI LIỆU THAM KHẢO 12 Nguyễn Thị Phương Thủy - CH 110 1046 MỤC LỤC HÌNH Hình 1: Giao diện chương trình K-means .8 Hình 2: Chương trình K-means cho tập điểm .10 B...
  • 12
  • 2,448
  • 2
GOM CỤM DỮ LIỆU BẰNG THUẬT TOÁN K-MEANS & ỨNG DỤNG GOM CỤM ẢNH

GOM CỤM DỮ LIỆU BẰNG THUẬT TOÁN K-MEANS & ỨNG DỤNG GOM CỤM ẢNH

Hệ thống thông tin

... CH 110 1 016 Page BÀI THU HOẠCH MÔN HỌC: KHAI PHÁ DỮ LIỆU VÀ KHO DỮ LIỆU TÀI LIỆU THAM KHẢO 30 GOM CỤM TRONG KHAI PHÁ DỮ LIỆU Gom cụm Gom cụm liệu (Data Clustering) hay gom cụm, gọi phân ... CH 110 1 016 Page BÀI THU HOẠCH MÔN HỌC: KHAI PHÁ DỮ LIỆU VÀ KHO DỮ LIỆU Các kiểu liệu phức tạp Tất đối tượng xem xét khai phá liệu không quan hệ liệu phức tạp Ví dụ loại liệu liệu không gian, liệu ... MSHV: CH 110 1 016 Page 11 BÀI THU HOẠCH MÔN HỌC: KHAI PHÁ DỮ LIỆU VÀ KHO DỮ LIỆU Gom cụm dựa mật độ Hầu hết phương pháp phân chia cụm đối tượng dựa khoảng cách đối tượng Các phương pháp tìm cụm có...
  • 30
  • 1,245
  • 8
Gom cụm dữ liệu và thuật toán K-Means và thuật toán K-Medoids

Gom cụm dữ liệu và thuật toán K-Means và thuật toán K-Medoids

Hệ thống thông tin

... Khai phá liệu kho liệu Giảng viên: PGS TS Đỗ Phúc biết điểm liệu thuộc cụm người ta gán cho mã cụm Các điểm có mã cụm cụm, điểm khác mã cụm cụm khác Một cụm biểu thị vectơ liên thuộc cụm v có ... CNTT K6 -10 - Báo cáo chuyên đề Khai phá liệu kho liệu Giảng viên: PGS TS Đỗ Phúc II Gom cụm liệu Giới thiệu: Gom cụm hình thức học không giám sát mẫu chưa gán nhãn Mục đích gom cụm liệu gom liệu ... i= 1, …, N}, xi biểu thị đối tượng (hay điểm liệu) thứ i Thuật toán k-means gom cụm toàn điểm liệu U thành k cụm { C1,C2,…,Ck }, cho điểm liệu xi nằm cụm Để Nguyễn Thị Phương Trang – CNTT K6 -12 -...
  • 38
  • 600
  • 0
Khảo sát ứng dụng các thuật toán K-Means, Fuzzy C-Means, và Rough Fuzzy C-Means vào phân đoạn hình ảnh y tế

Khảo sát ứng dụng các thuật toán K-Means, Fuzzy C-Means, và Rough Fuzzy C-Means vào phân đoạn hình ảnh y tế

Hệ thống thông tin

... x 11 + m12 * x 21 + m13 * x 31 + m14 * x 41 m 11 + m12 + m13 + m14 m 11 * x12 + m12 * x 22 + m13 * x 32 + m14 * x 42 m 11 + m12 + m13 + m14 * + * + * + * =3 1+ + + Vậy v1 = (1, 3) Với vector v2 cho cụm ... v1, v2 CH 110 112 4 - Nguyễn Mai Thương Trang 13 Khai phá liệu kho liệu PGS.TS Đỗ Phúc Các tính vector trọng tâm: Với vector v1 cho cụm 1: v 11 = = * + * 1. 5 + * 1. 3 + * =1 1+ + + v12 = = m 11 * x 11 ... x12 − v12) d ( x1, v 2) = ( x 11 − v 21) + ( x12 − v 22) = = (1 − 1) + (3 − 3) = (1 − 1. 93) + (3 − 2.33) = 1. 14 Gộp x1 vào cụm c1 d(x1,v1) < d(x1,v2) Tính toán tương tự ta có: CH 110 112 4 - Nguyễn...
  • 47
  • 3,341
  • 24

Xem thêm