El algoritmo de clustering k-modes ha sido ampliamente utilizado para agrupar datos categóricos. En este artículo, primero analizamos el algoritmo k-modes y su medida de disimilitud. Basándonos en esto, propusimos una nueva medida de disimilitud, que se denomina GRD. GRD considera no sólo las relaciones entre el objeto y todos los modos de cluster, sino también las diferencias de los diferentes atributos. Por último, se realizaron experimentos con cuatro conjuntos de datos reales de la UCI. Y los resultados correspondientes muestran que GRD logra un mejor rendimiento que dos medidas de disimilitud existentes utilizadas en los algoritmos de k-modes y Cao.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Potencial antiinflamatorio y antimicrobiano de nanopartículas de óxido de cobre asistidas por Cissus quadrangularis
Artículo:
Temas candentes y retos de la nanoceria regenerativa en la aplicación de la terapia antioxidante
Artículo:
Un nuevo soporte poroso encontrado en la naturaleza para la preparación de nanocompuestos: Estudio de un caso de TiO2 soportado en cáscara de huevo de Artemia para la eliminación de formaldehído
Folleto:
Nanotecnología
Artículo:
Efectos del bombeo incoherente de excitones en la susceptibilidad óptica lineal de una nanoestructura esférica
Libro:
Metodología del marco lógico para la planificación, el seguimiento y la evaluación de proyectos y programas
Presentación:
Estudio de movimientos y tiempos
Artículo:
Emisiones globales de gases de efecto invernadero provenientes de materiales de construcción residencial y comercial: estrategias de mitigación para 2060
Software:
Simulación del proceso de extracción sólido-líquido EXTSL