|
关注：1
2013-05-23 12:21
求翻译：The K-means clustering algorithm largely depends on the initial cluster centers [11]. The shortcomings of a random selection of the initial cluster centers is that if the classification of the initial cluster centers is seriously deviated from the global optimum classification [12], the algorithm may fall into the loca是什么意思？ 待解决
 悬赏分：1
- 离问题结束还有
The K-means clustering algorithm largely depends on the initial cluster centers [11]. The shortcomings of a random selection of the initial cluster centers is that if the classification of the initial cluster centers is seriously deviated from the global optimum classification [12], the algorithm may fall into the loca
问题补充： |
|
2013-05-23 12:21:38
正在翻译，请等待...
|
|
2013-05-23 12:23:18
使算法成群的K手段主要取决于最初的群中心[11]。最初的群中心的一个随机选择的缺点是，如果最初的群中心的分类从全球性最宜的分类[12]严重偏离，算法也许落入地方优值。当群的数量是相对地大时，这缺点常常地出现。
|
|
2013-05-23 12:24:58
K意味使成群的算法主要取决于最初的群中心 (11)。 最初的群中心的一种任意选择的缺点是，如果最初的群中心的分类从全球性最宜的分类12严重 (偏离)，算法也许分成地方优值。 当群的数量是相对地大时，这缺点更加频繁地出现。 并且在这个情况下在几个圆成群必须处理图象，因此达到令人满意的结果是可能的。
|
|
2013-05-23 12:26:38
K-均值聚类算法很大程度上取决于初始聚类中心 [11]。随机选择的初始聚类中心的缺点是如果初始聚类中心的分类严重偏离全球最佳分类 [12]，该算法可能陷入局部最优值。当团簇数目相对较大时，这一缺点更频繁地出现。并在此条件下的图像必须处理在几轮的聚类，这样就可以达到令人满意的结果。
|
|
2013-05-23 12:28:18
K 意味着群集算法多半取决于最初一串中心 (11)。最初一串中心的随便的选择的缺点是那如果最初一串中心的分类被严重地从全球最适宜的分类背离 (12)，算法可能属于本地最适宜的价值。一串数量是相对大的时，这个不利条件更经常出现。以及在这个条件下图像必须在几轮群集方面被处理，以便可能完成令人满意的结果。
|
湖北省互联网违法和不良信息举报平台 | 网上有害信息举报专区 | 电信诈骗举报专区 | 涉历史虚无主义有害信息举报专区 | 涉企侵权举报专区
