Böcker av Shylaja S

Il clustering è una delle tecniche più importanti del data mining. Ha lo scopo di suddividere i dati in gruppi di oggetti simili. Questo viene definito cluster. Questa ricerca confronta l'algoritmo StreamKM++ con i lavori esistenti, come AP, IAPKM e IAPNA. L'algoritmo StreamKM++ è un nuovo algoritmo di clustering del flusso di dati e costruisce un buon clustering del flusso, utilizzando una piccola quantità di memoria e di tempo.Molti ricercatori hanno svolto il loro lavoro con un algoritmo di clustering statico, ma in tempo reale i dati sono di natura dinamica. Come i blog, le pagine web, gli audio e i video, ecc... Per questo motivo, la tecnica statica convenzionale non supporta l'ambiente in tempo reale. In questo lavoro, viene utilizzato l'algoritmo StreamKM++ che raggiunge elevate prestazioni di clustering rispetto ai tradizionali AP, IAPKM e IAPNA. I risultati sperimentali mostrano che l'algoritmo StreamKM++ ottiene il miglior risultato rispetto ai lavori esistenti. Ha aumentato il tasso di accuratezza medio e ha ridotto il tempo di calcolo, la memoria e il numero di iterazioni.

Das Clustering ist eine der wichtigsten Techniken im Data Mining. Sie zielt darauf ab, die Daten in Gruppen ähnlicher Objekte aufzuteilen. Dies wird als Cluster bezeichnet. Diese Forschung vergleicht den StreamKM++ Algorithmus mit den bestehenden Arbeiten, wie AP, IAPKM und IAPNA. Der StreamKM++-Algorithmus ist ein neuer Clustering-Algorithmus für Datenströme, der mit geringem Speicher- und Zeitaufwand ein gutes Clustering des Datenstroms erstellt.Viele Forscher haben mit statischen Clustering-Algorithmen gearbeitet, aber in Echtzeit sind die Daten dynamischer Natur. Wie z.B. Blogs, Webseiten, Audio- und Videodaten, usw., daher ist die konventionelle statische Technik in einer Echtzeitumgebung nicht geeignet. In dieser Arbeit wird der StreamKM++-Algorithmus verwendet, der eine hohe Clustering-Leistung im Vergleich zu traditionellen AP, IAPKM und IAPNA erreicht. Das experimentelle Ergebnis zeigt, dass der StreamKM++-Algorithmus im Vergleich zu bestehenden Arbeiten das beste Ergebnis erzielt. Er hat die durchschnittliche Genauigkeitsrate erhöht und die Rechenzeit, den Speicher und die Anzahl der Iterationen reduziert.