|
|
| (не показано 12 промежуточных версий этого же участника) |
| Строка 1: |
Строка 1: |
| − | {{algorithm
| |
| − | | name = Алгоритм устойчивой кластеризации с иcпользованием связей
| |
| − | | serial_complexity = <math>...</math>
| |
| − | | pf_height = <math>...</math>
| |
| − | | pf_width = <math>...</math>
| |
| − | | input_data = <math>...</math>
| |
| − | | output_data = <math>...</math>
| |
| − | }}
| |
| | | | |
| − | Автор описания: [[Участник:viktorrulev|В.А. Рулев]].
| |
| − |
| |
| − | == Свойства и структура алгоритма ==
| |
| − |
| |
| − | === Общее описание алгоритма ===
| |
| − |
| |
| − | '''Алгоритм устойчивой кластеризации с иcпользованием связей (robust clustering using links, ROCK)''' был предложен в 2000 году Sudipto Guha (Stanford University), Rajeev Rastogi (Bell Laboratories) и Kyuseok Shim (Bell Laboratories) <ref>Sudipto Guha, Rajeev Rastogi, Kyuseok Shim ROCK: A robust clustering algorithm for categorical attributes. 2000. Information Systems. Vol 25, Issue 5, Pages 345-366</ref> для кластеризации объектов с категорийными признаками.
| |
| − |
| |
| − | Кластеризация (кластерный анализ) — задача разбиения заданной выборки объектов на непересекающиеся подмножества, называемые кластерами, так, чтобы каждый кластер состоял из схожих объектов, а объекты разных кластеров существенно отличались. Каждый объект из выборки характеризуется рядом признаков, которые могут быть вещественными, целочисленными, категорийными (т.е. принимающими значения из какого-либо множества) и др. Множество значений, которые может принимать признак, называется доменом этого признака. Так, например, у объекта '''кошка''' может быть категорийный признак '''порода''', доменом которого является множество '''[персидская, бенгальская, сфинкс, мейн-кун, ...]'''.
| |
| − |
| |
| − | Будем считать объекты выборки точками <math>\{p_1, ..., p_M\}</math> в <math>N</math>-мерном пространстве признаков. В ходе кластеризации все имеющиеся точки должны быть разделены на <math>k</math> непересекающихся подмножеств (кластеров) <math>\{C_1, ..., C_k\}</math> таким образом, чтобы полученные кластеры максимизировали некоторую критериальную функцию <math>f(C_1, ..., C_N)</math>.
| |
| − |
| |
| − | === Математическое описание алгоритма ===
| |
| − |
| |
| − | туц туц туц
| |
| − |
| |
| − | === Вычислительное ядро алгоритма ===
| |
| − |
| |
| − | тут что-то будет
| |
| − |
| |
| − | === Макроструктура алгоритма ===
| |
| − |
| |
| − | и тут
| |
| − |
| |
| − | === Схема реализации последовательного алгоритма ===
| |
| − |
| |
| − | и тут
| |
| − |
| |
| − | === Последовательная сложность алгоритма ===
| |
| − |
| |
| − | и тут
| |
| − |
| |
| − | === Информационный граф ===
| |
| − |
| |
| − | и тут
| |
| − |
| |
| − | === Ресурс параллелизма алгоритма ===
| |
| − |
| |
| − | и тут
| |
| − |
| |
| − | === Входные и выходные данные алгоритма ===
| |
| − |
| |
| − | и тут
| |
| − |
| |
| − | === Свойства алгоритма ===
| |
| − |
| |
| − | и тут
| |
| − |
| |
| − | == Программная реализация алгоритма ==
| |
| − |
| |
| − | === Особенности реализации последовательного алгоритма ===
| |
| − |
| |
| − | и тут
| |
| − |
| |
| − | === Локальность данных и вычислений ===
| |
| − |
| |
| − | и тут
| |
| − |
| |
| − | === Возможные способы и особенности параллельной реализации алгоритма ===
| |
| − |
| |
| − | и тут
| |
| − |
| |
| − | === Масштабируемость алгоритма и его реализации ===
| |
| − |
| |
| − | и тут
| |
| − |
| |
| − | === Динамические характеристики и эффективность реализации алгоритма ===
| |
| − |
| |
| − | и тут
| |
| − |
| |
| − | === Выводы для классов архитектур ===
| |
| − |
| |
| − | и тут
| |
| − |
| |
| − | === Существующие реализации алгоритма ===
| |
| − |
| |
| − | нету :(
| |
| − |
| |
| − | == Литература ==
| |
| − |
| |
| − | <references \>
| |
| − |
| |
| − | [[Категория:Начатые статьи]]
| |
| − | [[Категория:Алгоритмы кластеризации]]
| |
