Fuzzy K-Means è esattamente lo stesso algoritmo di K-means, che è una tecnica di clustering semplice e popolare. L'unica differenza è che, invece di assegnare un punto esclusivamente a un solo cluster, può avere una sorta di sfocatura o sovrapposizione tra due o più cluster. Di seguito sono riportati i punti chiave, che descrivono Fuzzy K-Means:
- A differenza di K-Means, che cerca cluster rigidi, in cui ciascuno dei punti appartiene a un cluster, Fuzzy K-Means cerca i cluster più morbidi per la sovrapposizione.
- Un singolo punto in un cluster morbido può appartenere a più di un cluster con un determinato valore di affinità verso ciascuno dei punti.
- L'affinità è proporzionale alla distanza di quel punto dal centroide del cluster.
- Simile a K-Means, Fuzzy K-Means funziona sugli oggetti che hanno la misura di distanza definita e possono essere rappresentati nel n- spazio vettoriale dimensionale.
Mappa Fuzzy K-Means Riduci flusso
Non c'è molta differenza tra il flusso MapReduce di K-Means e Fuzzy K-Means. L'implementazione di entrambi in Mahout è simile.
qtp vs selenio che è meglio
Di seguito sono riportati i file parametri essenziali per l'implementazione di Fuzzy K-Means:
- È necessario un set di dati vettoriali per l'input.
- Deve essere presente RandomSeedGenerator per eseguire il seeding dei k cluster iniziali.
- Per misurare la distanza è richiesta la misura SquaredEuclideanDistanceMeasure.
- Un valore elevato di soglia di convergenza, come –cd 1.0, se è stato utilizzato il valore al quadrato della misura della distanza
- Un valore per maxIterations il valore predefinito è -x 10.
- Il coefficiente di normalizzazione o il fattore di sfocatura, con un valore maggiore di -m 1.0
Hai domande per noi? Menzionateli nella sezione commenti e vi risponderemo.
come invertire un numero intero in python
Post correlati
c ++ come ordinare un array
Apprendimento supervisionato in Apache Mahout