[Enciclopedia Online Gratuita] Diccionario de Internet y Tecnologías de la Información y la Comunicación (TIC):
ıllı medoids : que es, definición y significado, descargar videos y fotos.
- Detalles
- Categoría: INTERNET
ıllı medoids : que es, definición y significado, descargar videos y fotos.
k-medoids es un algoritmo de agrupamiento (del inglés clustering) relacionado con los algoritmos k-means y medoidshift. Tanto el k-medoids como el k-means son algoritmos que trabajan con particiones (dividiendo el conjunto de datos en conjuntos) y los dos procuran disminuir al mínimo la distancia entre puntos que se agregarían a un conjunto y otro punto designado como el centro de ese conjunto. En contraste con el algoritmo k-means, k-medoids elige datapoints como centros y trabaja con una métrica arbitraria de distancias entre datapoints en lugar de utilizar la regla l2undefined. En mil novecientos ochenta y siete se planteó este procedimiento para el trabajo con la regla l1undefined y otras distancias. K-medoid es una técnica tradicional de particionado de conjuntos que divide los datos formados por n objetos en k conjuntos (con k conocido por adelantado). Es más robusto frente al estruendos y a partes apartadas que k-means pues minimiza una suma de disimilaridades (entre pares de puntos) en lugar de una suma de distancias euclidianas cuadradas. Un medoid puede ser definido como el objeto de un conjunto cuya disimilaridad media a todos y cada uno de los objetos en el conjunto es mínima. Es el punto situado máas cara el centro en todo el conjunto. Agrupar el próximo conjunto de datos de diez objetos en 2 conjuntos (k = dos). Considera el próximo conjunto de datos: Inicializar k centros. Asumir x2 y x8 está marcados como medoids, conque los centros son c1 = (tres,4) y c2 = (siete con cuatro). Calcular distancias a cada centro para asociar cada objeto a su medoid más próximo. El costo está calculado usando distancia de Manhattan. Costos al medoid más próximo están mostrados en bastardilla en la tabla. Entonces los conjuntos serían: Cluster1 = undefined Cluster2 = undefined Dado que los puntos (dos,6) (tres,8) y (cuatro,7) son más próximos a c1, por este motivo forman un conjunto, al paso que el resto puntos forman otro conjunto. Así que el costo total implicado es dos. Donde el costo entre cualquier 2 puntos se ha calculado usando la fórmula: costo(x,c)=?k=1d|xi-ci|x_undefined-c_undefined donde x es cualquier objeto, c es el medoid, y d es la dimensión del objeto, en un caso así dos. El costo total es la suma de los costos de los objetos a su medoid en el conjunto, siendo: Selecciona uno de los no medoids O'. Asumimos O' = (siete con tres). Ahora los medoids son c1(tres,4) y O'(siete con tres). Si c1 y O' son nuevo medoids, calcular el costo total implicado. Utilizando la fórmula del paso 1. costototal=3+4+4+2+2+1+3+3costototal=22undefined Siendo el costo del intercambio de medoids de c2 a O': De forma que mudar a O' sería una idea mala, conque la elección precedente estaba bien. Conque probamos con otros no-medoids y encontrados que nuestra primera elección era la mejor. Conque la configuración no cambia y el algoritmo acaba acá (puesto que no hay cambio en los medoids). Puede pasar que ciertos puntos de datos pueden mudar de un conjunto a otro dependiendo de su proximidad a los medoids. En ciertas situaciones estándares, k-medoids prueba desempeño mejor que k-means. Un caso se presenta en la Fig. dos. La parte más costosa del algoritmo es el cálculo de las distancias entre los puntos o bien objetos. Si fuera aplicable un preprocesamiento cuadrático y el almacenaje, la matriz de distancias puede ser precalculada para lograr una mayor velocidad. Existen ejemplos, donde los autores asimismo introducen una heurística para elegir los k medoids iniciales.?
