要約
最小最大ジャンプ距離 (MMJ 距離) の 3 つのアプリケーションについて説明します。
MMJ ベースの K-means は、MMJ 距離で K-means を修正します。
MMJ ベースのシルエット係数は、シルエット係数を MMJ 距離で修正します。
また、MMJ ベースのシルエット係数を使用して、ニューラル ネットワークとインデックスを使用したクラスタリング (CNNI) モデルもテストしました。
最後のアプリケーションでは、データのクラスタリング分析の後、新しいポイントのラベルを予測するために Min-Max-Jump 距離を使用してテストしました。
結果は、Min-Max-Jump 距離が 3 つの提案されたすべてのアプリケーションで良好なパフォーマンスを達成することを示しています。
要約(オリジナル)
We explore three applications of Min-Max-Jump distance (MMJ distance). MMJ-based K-means revises K-means with MMJ distance. MMJ-based Silhouette coefficient revises Silhouette coefficient with MMJ distance. We also tested the Clustering with Neural Network and Index (CNNI) model with MMJ-based Silhouette coefficient. In the last application, we tested using Min-Max-Jump distance for predicting labels of new points, after a clustering analysis of data. Result shows Min-Max-Jump distance achieves good performances in all the three proposed applications.
arxiv情報
著者 | Gangli Liu |
発行日 | 2023-01-27 04:06:28+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google