Scholar Hub/Chủ đề/#k-means/
k-means là một thuật toán trong lĩnh vực học không giám sát được sử dụng để phân cụm dữ liệu. Đồng thời, nó cũng là một phương pháp phân cụm thống kê phổ biến.
...
k-means là một thuật toán trong lĩnh vực học không giám sát được sử dụng để phân cụm dữ liệu. Đồng thời, nó cũng là một phương pháp phân cụm thống kê phổ biến.
Thuật toán này hoạt động dựa trên công thức Euclid để tính khoảng cách giữa các điểm dữ liệu và các centroid (điểm trung tâm của từng cụm). Ban đầu, thuật toán chọn ngẫu nhiên một số lượng centroid, sau đó nó liên tục tối ưu hóa vị trí centroid dựa trên việc tính toán khoảng cách và cập nhật cụm dữ liệu.
Kết quả sau khi thuật toán kết thúc là một số lượng cụm đã được phân loại hoàn tất. Mỗi điểm dữ liệu thuộc vào cụm gần nhất với centroid tương ứng. K-means có thể được áp dụng trong nhiều lĩnh vực như khách hàng phân loại, phân loại hình ảnh, phân tích dữ liệu, và nhiều ứng dụng khác.
K-means là một thuật toán phân cụm dữ liệu đơn giản nhưng hiệu quả. Các bước cơ bản trong thuật toán k-means là:
1. Chọn ngẫu nhiên K centroid ban đầu trong không gian dữ liệu. K là một số nguyên dương được xác định trước.
2. Gán từng điểm dữ liệu vào cụm gần nhất bằng cách tính khoảng cách Euclid giữa điểm dữ liệu và các centroid. Điểm dữ liệu thuộc vào cụm có centroid gần nhất.
3. Cập nhật vị trí của các centroid bằng cách tính toán trung bình của tất cả các điểm dữ liệu trong cụm. Điều này sẽ di chuyển centroid về phía trung tâm của cụm.
4. Lặp lại bước 2 và 3 cho đến khi không có sự thay đổi nào trong việc gán các điểm dữ liệu vào cụm hay vị trí của các centroid.
Thuật toán k-means cố gắng tối thiểu hóa tổng bình phương khoảng cách giữa các điểm dữ liệu và centroid của cụm tương ứng. Điều này đảm bảo rằng các điểm dữ liệu trong cùng một cụm sẽ gần nhau nhất và các điểm giữa các cụm sẽ cách xa nhau. Kết quả cuối cùng là một tập hợp các cụm có centroid cách nhau và tối ưu cho dữ liệu ban đầu.
Một điểm yếu của thuật toán k-means là độ nhạy của kết quả đối với vị trí ban đầu của các centroid ban đầu. Như vậy, nếu hình dạng của các cụm khác nhau hoặc số lượng cụm không được biết trước, việc khởi tạo centroid ban đầu có thể ảnh hưởng đáng kể đến kết quả.
Hướng Tới Một Phương Pháp Luận Phát Triển Tri Thức Quản Lý Dựa Trên Bằng Chứng Thông Qua Đánh Giá Hệ Thống Dịch bởi AI British Journal of Management - Tập 14 Số 3 - Trang 207-222 - 2003
Tiến hành một đánh giá về văn liệu là một phần quan trọng của bất kỳ dự án nghiên cứu nào. Nhà nghiên cứu có thể xác định và đánh giá lãnh thổ tri thức liên quan để chỉ định một câu hỏi nghiên cứu nhằm phát triển thêm cơ sở tri thức. Tuy nhiên, các bản đánh giá 'mô tả' truyền thống thường thiếu tính toàn diện, và trong nhiều trường hợp, không được thực hiện như những mảnh ghép đích thực củ...... hiện toàn bộ #phương pháp đánh giá hệ thống #nghiên cứu quản lý #phát triển tri thức #bằng chứng #chính sách #thực hành #quản lý thông tin #khoa học y học
Phân Hiện Biểu Hiện Khác Nhau Của RNA Thông Tin Eukaryote Bằng Phương Pháp Chuỗi Polymerase Dịch bởi AI American Association for the Advancement of Science (AAAS) - Tập 257 Số 5072 - Trang 967-971 - 1992
Cần có những phương pháp hiệu quả để xác định và tách biệt những gen có biểu hiện khác nhau trong các tế bào khác nhau hoặc trong các điều kiện thay đổi. Báo cáo này mô tả một phương pháp để phân tách và nhân bản các RNA thông tin (mRNA) riêng lẻ thông qua phản ứng chuỗi polymerase. Yếu tố chính là sử dụng một bộ các mồi oligonucleotide, một mồi được gắn vào đuôi polyadenylate của một tập ...... hiện toàn bộ Các phương pháp đơn giản để cải thiện khả năng giải thích của các hệ số hồi quy Dịch bởi AI Methods in Ecology and Evolution - Tập 1 Số 2 - Trang 103-113 - 2010
Tóm tắt 1. Các mô hình hồi quy tuyến tính là một công cụ thống kê quan trọng trong các nghiên cứu tiến hóa và sinh thái. Thật không may, những mô hình này thường cho ra những ước lượng và kiểm nghiệm giả thuyết không thể giải thích được, đặc biệt là khi các mô hình bao gồm sự tương tác hoặc các hạng tử đa thức. Hơn nữa, các sai số chuẩn cho c...... hiện toàn bộ Xúc tác Asymmetric với Nước: Giải Quyết Kinetics Hiệu Quả của các Epoxide Cuối Bằng Phương Pháp Thủy Phân Xúc Tác Dịch bởi AI American Association for the Advancement of Science (AAAS) - Tập 277 Số 5328 - Trang 936-938 - 1997
Các epoxide là những khối xây dựng đa năng cho tổng hợp hữu cơ. Tuy nhiên, các epoxide đầu có thể được coi là phân nhóm quan trọng nhất của những hợp chất này, và hiện chưa có phương pháp tổng hợp tổng quát và thực tiễn nào cho việc sản xuất chúng dưới dạng tinh khiết đồng phân. Các epoxide đầu có sẵn với giá rất rẻ dưới dạng hỗn hợp racemic, và giải quyết động học là một chiến lược hấp dẫ...... hiện toàn bộ #epoxide #xúc tác không đối xứng #thủy phân #giải quyết động học #cobalt chiral #1 #2-diol
