|
关注：1
2013-05-23 12:21
求翻译：Conceptual clustering algorithms developed in machine learning cluster data with categorical values (Michalski and Stepp, 1983; Fisher, 1987; Lebowitz, 1987) and also produce conceptual descriptions of clusters. The latter feature is important to data mining because the conceptual descriptions provide assistance in int是什么意思？ 待解决
 悬赏分：1
- 离问题结束还有
Conceptual clustering algorithms developed in machine learning cluster data with categorical values (Michalski and Stepp, 1983; Fisher, 1987; Lebowitz, 1987) and also produce conceptual descriptions of clusters. The latter feature is important to data mining because the conceptual descriptions provide assistance in int
问题补充： |
|
2013-05-23 12:21:38
并产生集群的概念描述概念聚类，机器学习与类别值（;费舍尔，1987 lebowitz，1987 MICHALSKI和草原上空，1983年）的集群数据开发的算法。后者的特征是重要的数据挖掘概念的描述，因为提供协助解释聚类结果。统计聚类方法不同，这些算法的基础上为对象进行的相同或类似的概念搜索。因此，其效率依赖于良好的搜索策略。在数据挖掘，这往往涉及许多概念和对象空间非常大的问题，基于概念的搜索方法，可以成为一个潜在的障碍，这些算法处理非常大的数据集。
|
|
2013-05-23 12:23:18
在机器学习概念群集算法开发群集数据断然值(米哈尔斯基,stepp,1983年;余副局长,1987年;lebowitz,1987年),也制作概念描述的群组。 后者功能很重要,因为数据挖掘的概念说明提供援助在解释结果群集。 不同于统计群集方法,这些算法都是基于一个搜索对象的同一或类似的概念。
|
|
2013-05-23 12:24:58
在机器学习群数据开发的概念性使成群的算法以绝对价值(Michalski和Stepp 1983年; Fisher 1987年; lebowitz 1987年)并且导致群的概念性描述。 后者特点是重要对数据采集，因为概念性描述在解释使成群的结果提供援助。 不同于统计使成群的方法，这些算法根据一次查寻运载同样或相似的概念的对象。 所以，他们的efficiency依靠好搜索策略。 为问题在数据采集，经常介入许多概念和非常大物体空间，基于概念的查寻方法可能成为一个潜在的障碍为了这些算法能应付极端大数据集。
|
|
2013-05-23 12:26:38
在机器学习群集数据的分类值 （米哈尔斯基和斯特普 1983 ； 开发的概念聚类算法费雪，1987 ；Lebowitz，1987年），也会产生集群的概念说明。因为对概念的说明提供口译聚类结果的援助，后者的功能是重要的数据挖掘。与统计聚类方法不同，这些算法基于搜索对象，进行的相同或类似的概念。因此，其限度地优化依赖于良好的搜索策略。数据挖掘中的问题往往涉及许多概念和非常大的对象空间，基于概念的搜索方法可以成为这些算法，以极大的数据集处理的一个潜在的缺陷。
|
|
2013-05-23 12:28:18
正在翻译，请等待... 正在翻译，请等待...
|
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
