Фуззи К-Меанс је потпуно исти алгоритам као К-значи, што је популарна једноставна техника груписања. Једина разлика је у томе што уместо да тачку додели само једном кластеру, она може имати неку врсту нејасноћа или се преклапати између два или више кластера. Следе кључне тачке које описују нејасне К-знакове:
- За разлику од К-Меанс-а, који тражи тврди кластер, при чему свака од тачака припада једном кластеру, Фуззи К-Меанс тражи мекше кластере ради преклапања.
- Једна тачка у меком јату може припадати више кластера са одређеном вредношћу афинитета према свакој од тачака.
- Афинитет је пропорционалан удаљености те тачке од тежишта кластера.
- Слично К-средствима, Фуззи К-Меанс ради на објектима који имају дефинисану меру удаљености и могу бити представљени у н- димензионални векторски простор.
Нејасни К-знаци МапРедуце Флов
Нема велике разлике између протока МапРедуце К-Меанс и Фуззи К-Меанс. Примена обе верзије у Махоут-у је слична.
јава је вс има а
Следе следећи битни параметри за примену нејасних К-средстава:
- За унос вам је потребан скуп података Вецтор.
- Мора постојати РандомСеедГенератор да би сејао почетни к кластер.
- За мерење удаљености потребна је СкуаредЕуцлидеанДистанцеМеасуре.
- Велика вредност прага конвергенције, као што је –цд 1.0, ако је коришћена квадратна вредност мере даљине
- Вредност за макИтератионс подразумевана вредност је -к 10.
- Коефицијент нормализације или фактор магловитости, са вредношћу већом од -м 1,0
Имате питање за нас? Спомените их у одељку за коментаре и јавићемо вам се.
како генерисати случајни низ у јави
Повезани постови
како да напишем тостринг метод
Надгледано учење у Апацхе Махоут-у