Chất lượng phân cụm của thuật toán K-Means dựa vào phương pháp lấy mẫu thực hiện song song theo mô hình MapReduce

0 Người đánh giá. Xếp hạng trung bình 0

Tác giả: Thị Tuyết Nguyễn, Hoàng Việt Trần, Thiên Thành Trần

Ngôn ngữ: vie

Ký hiệu phân loại: 006.31 Machine learning

Thông tin xuất bản: Tạp chí Khoa học - Đại học Quy Nhơn, 2018

Mô tả vật lý: 125-133

Bộ sưu tập: Metadata

ID: 492083

Thêm vào giỏ

Cải tiến thuật toán K-means (SK-meansMR) và đạt tốc độ tính toán cao trên dữ liệu lớn và đánh giá chất lượng phân cụm của thuật toán SK-meansMR và thuật toán K-means gốc để chứng minh thuật toán SK-meansMR ngoài việc cải thiện được tốc độ so với thuật toán K-means mà còn đảm bảo chất lượng phân cụm trên dữ liệu lớn.Today, clustering is one of the most widely used data mining methods in practice. K-means is one of the classic clustering algorithms. However, the speed of the K-means algorithm initially did not meet the big data problems. Two factors that affect the speed of K-means are repeated repetition and centering. To solve these two problems we have improved the K-means algorithm (SK-meansMR) and achieved high computation speed on large data. In this paper we focus on the clustering quality of the SK-meansMR algorithm and the original K-means to demonstrate the SK-meansMR algorithm not only improves the speed but also ensures the quality of clustering on large data.

1. Đọc trực tuyến

1. Đọc trực tuyến

Tạo bộ sưu tập với mã QR