• Title: X-Means: Ein Algorithmus zur Clusterbildung unter selbstst
  • Released: 2007-05-10
  • Language: German
  • Pages: 24
  • ASIN: B007PT18YG
Studienarbeit aus dem Jahr 2006 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 1,7, Friedrich-Schiller-Universität Jena (Wirtschaftswissenschaftliche Fakultät), Veranstaltung: Datenanalyse 2, 9 Quellen im Literaturverzeichnis, Sprache: Deutsch, Abstract: X-Means: Extending K-means with Efficient Estimation of the Number of Cluster

Aufbauend auf k-means greift der x-means Algorithmus die drei hauptsächlichen Probleme von k-means auf und versucht diese zu umgehen bzw. zu beheben. Dabei wird vom Benutzer im Gegensatz zu k-means nicht die Angabe einer Klassenanzahl k gefordert, sondern lediglich ein Bereich in welchem die optimale Klassenanzahl wahrscheinlich liegen wird.
Nun werden ausgehend von der unteren Grenze des angegebenen Bereiches kontinuierlich neue Centroide hinzugefügt. Dies geschieht indem die alten „Vatercentroide“ aufgespalten
werden. Aus jedem Vater werden auf diese Weise zwei „Söhnecentroide“ erstellt. Ob Vater- oder Söhnecentroide beibehalten werden wird auf Grundlage einer Punktbewertung mittels BIC ermittelt. Je nachdem wessen Punktzahl höher ausfällt, werden entweder die Söhne oder
der Vater als Klassenmittelpunkte verworfen. Danach wird grundsätzlich jenes Gesamtmodell ausgegeben welches nach einem ewertungskriterium die höchste Punktzahl erreicht hat.
Der x-means Algorithmus besteht grundsätzlich aus zwei Schritten:
1. Improve Params
2. Improve Structure
Der erste Schritt entspricht einem herkömmlichen k-means Durchlauf. Der zweite Schritt ermittelt, welche Centroide gesplittet werden müssen um das Ergebnis zu verbessern. Auf dieser Basis und unter Einbeziehung eines kd-tree, welcher die Durchläufe der k-means
Iterationen erheblich beschleunigt, werden sowohl die optimale Anzahl der Cluster wie auch die Cluster als solche ausgegeben. Dadurch wird es möglich viel größere Datenmengen in viel kürzerer Zeit zu analysieren.

I was skeptical at first but Midnighty really came through. They answered all my questions and made the whole experience a plesant one.

Elizabeth Maddry
Richland, Georgia

Why Midnighty?

Focused

Simply focused results for teams of all sizes.

Mature

Midnighty is inherently mature and community centric. It's time for the mature community to have a voice.

Hip

Finding a hip fit just got a whole lot easier.

When my friends need new midnights there's only one word I tell them, Midnighty.

Arriana Atkinson
Weed, California

Meet the Midnighty team

Juan Pablo Montoya

Isabell Leakes

International Sales

Kyle Zimmerman

Sarah Licari

Warehouse Supervisor

Cheryl Collins

Santana White

Customer Experience

Juan Pablo Montoya

Ivan Lashway

Finance

Midnighty is like Tinder... but for midnights!

Valerie Ingersoll
Centerville, Iowa

As Seen On