Anuradha Dhull

A an lise de agrupamentos o agrupamento de um conjunto de objectos de tal forma que os objectos de um grupo relacionado (conhecido como agrupamento) est o mais relacionados com todos os outros grupos do que com os de grupos diferentes. Trata-se de uma tarefa fundamental da an lise da recupera o de informa o e de um procedimento carater stico da an lise de conhecimentos mensur veis, utilizado na maioria dos dom nios, como o conhecimento de dispositivos, a an lise de imagens, a melhoria de factos, a bioinform tica, a procura de conhecimentos e a representa o inform tica. V rias t cnicas de agrupamento hier rquico e as suas variantes t m sido muito exploradas no dom nio da aprendizagem autom tica. No entanto, estas t cnicas s o deterministas, n o precisam de se preocupar com um determinado n mero de clusters e s o est veis. No entanto, n o s o escal veis para conjuntos de dados de elevada dimens o devido s suas correla es n o lineares. Nesta investiga o, estamos a combinar o agrupamento hier rquico aglomerativo com a classifica o KNN, que proporciona uma melhor precis o em compara o com o agrupamento hier rquico. O KNN a t cnica de classifica o e o nico m todo que permite encontrar os med ides dos agrupamentos formados.

L'analisi dei cluster il raggruppamento di una disposizione di oggetti in modo tale che gli oggetti di un gruppo correlato (noto come cluster) siano ulteriormente correlati a ogni altro gruppo rispetto a quelli di gruppi diversi. Si tratta di un compito fondamentale per l'esame del reperimento delle informazioni e di una procedura caratteristica per l'analisi della conoscenza misurabile, utilizzata nella maggior parte dei campi, come la conoscenza dei dispositivi, l'analisi delle immagini, il miglioramento dei fatti, la bioinformatica, la richiesta di conoscenza e la rappresentazione informatica. Diverse tecniche di clustering gerarchico e le loro varianti sono state molto esplorate nel campo dell'apprendimento automatico. Tuttavia, queste tecniche sono deterministiche, non necessitano di un numero determinato di cluster e sono stabili. Tuttavia, non sono scalabili per set di dati ad alta dimensionalit a causa delle loro correlazioni non lineari. In questa ricerca, stiamo combinando il clustering gerarchico agglomerativo con la classificazione KNN, che offre una migliore accuratezza rispetto al clustering gerarchico. KNN una tecnica di classificazione ed l'unico metodo per trovare i medoidi dei cluster formati.

L'analyse de grappes est le regroupement d'un ensemble d'objets de telle sorte que les objets d'un groupe apparent (appel grappe) sont davantage li s tous les autres groupes que ceux des groupes diff rents. Il s'agit d'une t che fondamentale de l'examen de la recherche d'informations et d'une proc dure caract ristique de l'analyse des connaissances mesurables, utilis e dans la plupart des domaines, avec la connaissance des appareils, l'analyse d'images, l'am lioration des faits, la bio-informatique, les exigences en mati re de connaissances et la repr sentation informatique. Diverses techniques de regroupement hi rarchique et leurs variantes ont t tr s tudi es dans le domaine de l'apprentissage automatique. Cependant, ces techniques sont d terministes, n'ont pas besoin de s'occuper d'un nombre d termin de grappes et sont stables. Mais elles ne sont pas extensibles aux ensembles de donn es de grande dimension en raison de leurs corr lations non lin aires. Dans cette recherche, nous combinons le regroupement hi rarchique agglom ratif avec la classification KNN qui donne une meilleure pr cision que le regroupement hi rarchique. KNN est la technique de classification et la seule m thode permettant de trouver les m dio des des grappes form es.

Clusteranalyse ist die Gruppierung einer Anordnung von Objekten in der Weise, dass Objekte in einer verwandten Gruppe (bekannt als Cluster) mit jeder anderen Gruppe im Vergleich zu denen in anderen Gruppen weiter verwandt sind. Dies ist eine grundlegende Aufgabe der Untersuchung von Information Retrieval, und ein charakteristisches Verfahren f r messbare Wissensanalyse, die in den meisten Bereichen verwendet wird, mit Ger tewissen, Bildanalyse, Faktenverbesserung, Bioinformatik, Wissensanforderungen und Computerdarstellung. Im Bereich des maschinellen Lernens sind verschiedene hierarchische Clustering-Techniken und ihre Varianten sehr stark erforscht worden. Diese Techniken sind jedoch deterministisch, brauchen sich nicht um eine bestimmte Anzahl von Clustern zu k mmern und sind stabil. Sie sind jedoch aufgrund der nichtlinearen Korrelationen nicht f r hochdimensionale Datens tze skalierbar. In dieser Forschung kombinieren wir das agglomerative hierarchische Clustering mit der KNN-Klassifizierung, die im Vergleich zum hierarchischen Clustering eine bessere Genauigkeit bietet. KNN ist eine Klassifizierungstechnik und die einzige Methode, um die Medoide der gebildeten Cluster zu finden.