- •Содержание
- •Введение
- •1 Анализ состояния вопроса
- •2 Разработка методики использования гибридных метрик
- •2.1 Методика применения гибридных метрик
- •2.2 Методы исследования
- •2.3 Результаты экспериментальных исследований
- •3 Практическая реализация
- •3.1 Общая информация о технической реализации
- •3.2 Работа с программой Gibrid k-means
- •3.2.1 Главная форма программы
- •3.2.2 Запуск процесса кластеризации данных
- •3.2.2 Форма автоматизация вычислительных экспериментов
- •3.2.3 Планирование и запуск вычислительных экспериментов
- •Выводы по работе
- •Список литературы
Выводы по работе
По полученным в ходе выполнения работы результатам можно сделать следующие выводы:
1. В ходе анализа состояния вопроса установлено, что дальнейшее совершенствования алгоритма k-meansвозможно путем разработки новых универсальных метрик обеспечивающих наименьшую ошибку кластеризации данных даже при отсутствии априорной информации об исходных объектах.
2.
3.
4.
5.
6.
7. Предложенную методику использования гибридных метрик в алгоритме k-meansможно реализовать программных способом без использования каких-либо специализированных библиотек.
В результаты выполнения работы были опубликованы в трех статьях [2, 3, 4] и доложены на двух конференциях международного уровня.
Список литературы
1. Block, H.H. Clustering Methods: A History of k-Means Algorithms / H.H. Block // Selected Contributions in Data Analysis and Classification. – Springer Berlin Heidelberg, 2007. – рр. 161-172. – ISBN 978-3-540-73558-8
2. Моя статья
3. Моя статья
4. Моя статья
2. Wu, J. Advances in K-means Clustering : A Data Mining Thinking / Junjie Wu. – Springer Berlin Heidelberg, 2012. – 180 р. – ISBN 978-3-642-29807-3
3. Mirkin, B. Core Concepts in Data Analysis: Summarization, Correlation and Visualization / Boris Mirkin. – Springer London, 2011. – 390 p. – ISBN 978-0-85729-286-5
4. Liotta, A. Smart Anomaly Detection for Sensor System: Computational Intelligence Techniques for Sensor Networks and Applications / A. Liotta, H. Bosman, G. Iacca. – Springer Publisher, 2015. – 150 p. – ISBN 978-3-319-00164-7
5. Celebi, M.E. Partitional Clustering Algorithms / M.E. Celebi. – Springer International Publishing Switzerland, 2015. – 415 p. – ISBN 978-3-319-09259-1
6. Mucherino, A. Data Mining in Agriculture / A. Mucherino, P.J. Papajorgji, P.M. Pardalos. – Springer New York, 2009. – 274 p. – ISBN 978-0-387-88614-5