WARNING:
JavaScript is turned OFF. None of the links on this concept map will
work until it is reactivated.
If you need help turning JavaScript On, click here.
Tato Cmapa, vytvořená pomocí CmapTools, obsahuje informaci související s: dSMM, Metoda k-mean (k-průměrů) nevýhody Metoda je závislá na počáteční volně centroidů, Určení optimálního počtu shluků TwoStep používá Bayesian Information Criterion, Optimalizační algoritmy počet variant rozkladu shluku Metoda k-mean (k-průměrů), Určení optimálního počtu shluků metody závislost fúzních koeficientů na počtu shluků, Postupy pro nominální a ordinální proměnné jsou Koeficinet nesouhlasu (D), Kritéria pro posouzení kvality rozkladu jsou matice mezishlukové variability - vypočítáváno jako součet - průměry v jednotlivých třídách odečítáme od aritmetického průměru všech vektorů, Fuzzy shluková analýza hodnocení fuzzy shlukování Dunnův koeficient, Shlukování proměnných jsou Korelační koeficient, Míry vzdálenosti a podobnosti Míry vzdálenosti Čebyševova vzdálenost, Minkowského metrika má speciální případy Euklidovská vzdálenost - odmocnina ze sumy k-tych souradnic nadruhou, Metoda k-mean (k-průměrů) modifikace e) metoda k-medoidů - metoda optimálních středů, Dunnův koeficient extrémní hodnoty <math xmlns="http://www.w3.org/1998/Math/MathML"> <mrow> <mtext> úplné fuzzy shlukování - </mtext> <mfrac> <mtext> 1 </mtext> <mtext> k </mtext> </mfrac> <mtext> = </mtext> <mmultiscripts> <mtext> u </mtext> <mtext> ih </mtext> <none/> </mmultiscripts> </mrow> </math>, Čebyševova vzdálenost vzorec <math xmlns="http://www.w3.org/1998/Math/MathML"> <mrow> <mtext> max( </mtext> <mfenced open="|" close="|"> <mmultiscripts> <mtext> x </mtext> <mtext> ij </mtext> <none/> </mmultiscripts> <mtext> - </mtext> <mmultiscripts> <mtext> x </mtext> <mtext> i´j </mtext> <none/> </mmultiscripts> </mfenced> <mtext> ) </mtext> </mrow> </math>, Míry vzdálenosti a podobnosti Míry vzdálenosti Čtvercová euklidovská vzdálenost, Určení optimálního počtu shluků TwoStep používá Akaike Information Criterion, Kritéria pro posouzení kvality rozkladu jsou matice vnitroshlukové variability - máme k-shluků, vypočítáme jako součet - vektor průměrů se odečítá od všech vektorů, které tvoří h-tý shluk, Míry vzdálenosti a podobnosti Míry vzdálenosti Mahalanobisova - započítává do výpočtů vliv závislosti mezi proměnnými, pracuje s kovarianční maticí, Typy proměnných jsou Alternativní, Hierarchické shlukování metody hodnocení vzdáleností mezi shluky centroidní metoda - průměrné objekty z obou shluků - euklikovská vzdálenost cenrtroidů, Mahalanobisova - započítává do výpočtů vliv závislosti mezi proměnnými, pracuje s kovarianční maticí vzorec <math xmlns="http://www.w3.org/1998/Math/MathML"> <mrow> <mtext> ( </mtext> <mmultiscripts> <mtext> x </mtext> <mtext> i </mtext> <none/> </mmultiscripts> <mtext> - </mtext> <mmultiscripts> <mtext> x </mtext> <mtext> j </mtext> <none/> </mmultiscripts> <mtext> ) </mtext> <mmultiscripts> <mtext> </mtext> <none/> <mtext> T </mtext> </mmultiscripts> <mmultiscripts> <mtext> C </mtext> <none/> <mtext> -1 </mtext> </mmultiscripts> <mtext> ( </mtext> <mmultiscripts> <mtext> x </mtext> <mtext> i </mtext> <none/> </mmultiscripts> <mtext> - </mtext> <mmultiscripts> <mtext> x </mtext> <mtext> j </mtext> <none/> </mmultiscripts> <mtext> ) </mtext> </mrow> </math>