رویکردی عملی به کشف کلاس بدیع در داده های جدولی: پیوست

نویسندگان:

(1) Troisemaine Colin، دپارتمان علوم کامپیوتر، IMT Atlantique، Brest، فرانسه، و Orange Labs، Lannion، فرانسه.

(2) Reifers-Masson Alexandre، گروه علوم کامپیوتر، IMT آتلانتیک، برست، فرانسه.

(3) Gosselin Stephane، Orange Labs، Lannion، فرانسه.

(4) Lemaire Vincent، Orange Labs، Lannion، فرانسه.

(5) Vaton Sandrine، گروه علوم کامپیوتر، IMT Atlantique، برست، فرانسه.

چکیده و مقدمه

کار مرتبط

رویکردها

بهینه سازی هایپرپارامتر

تخمین تعداد کلاس های رمان

مراحل آموزش کامل

آزمایش

نتیجه

اعلامیه ها

منابع

پیوست A: معیارهای نتایج اضافی

پیوست ب: فراپارامترها

پیوست ج: نتایج عددی شاخص‌های اعتبار خوشه‌ای

پیوست D: NCD k-means مطالعه همگرایی مرکزها

ضمیمه A معیارهای نتایج اضافی

ضمیمه B فراپارامترها

جدول B3 فراپارامترهایی را نشان می دهد که با روش کامل شرح داده شده در بخش 6 پیدا شده اند.

ضمیمه C نتایج عددی شاخص های اعتبار خوشه ای

تخمینی از تعداد خوشه ها در 7 مجموعه داده در نظر گرفته شده در این مقاله را می توان در جدول C4 یافت. در میان 6 CVI گزارش شده در اینجا، ضریب Silhouette بهترین عملکرد را داشت. علاوه بر این، در مقایسه با فضای ویژگی اصلی، میانگین خطای تخمین آن به طور قابل توجهی در نهفته کاهش یافته است.

Source link