El algoritmo de clustering k-modes ha sido ampliamente utilizado para agrupar datos categóricos. En este artículo, primero analizamos el algoritmo k-modes y su medida de disimilitud. Basándonos en esto, propusimos una nueva medida de disimilitud, que se denomina GRD. GRD considera no sólo las relaciones entre el objeto y todos los modos de cluster, sino también las diferencias de los diferentes atributos. Por último, se realizaron experimentos con cuatro conjuntos de datos reales de la UCI. Y los resultados correspondientes muestran que GRD logra un mejor rendimiento que dos medidas de disimilitud existentes utilizadas en los algoritmos de k-modes y Cao.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Evaluación del reverdecimiento de las calles mediante la fusión de datos multivista
Artículo:
Ingrediente del material de envasado de biomasa y estudio comparativo de las propiedades de amortiguación
Artículo:
Una revisión de la detección de peatones en la conducción inteligente basada en el aprendizaje profundo
Artículo:
Sistema integrado de monitorización de los estados musculares durante el entrenamiento de resistencia de los flexores del codo en pacientes encamados
Artículo:
Tecnología de evaluación del estado de aprendizaje de los estudiantes en el aula basada en el aprendizaje profundo
Artículo:
Creación de empresas y estrategia : reflexiones desde el enfoque de recursos
Artículo:
Importancia, manejo y control de extraíbles e incrustaciones (pitch) en la fabricación de papel
Artículo:
Estudio sobre la evaluación de la sostenibilidad de los productos innovadores
Libro:
Planta de tratamiento de aguas residuales