A Distance Metric for Uneven Clusters of Unsupervised K-Means Clustering Algorithm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, we propose a new distance metric for the K-means clustering algorithm. Applying this metric in clustering a dataset, forms unequal clusters. This metric leads to a larger size for a cluster with a centroid away from the origin, rather than a cluster closer to the origin. The proposed metric is based on the Canberra distances and it is useful for cases that require unequal size clusters. This metric can be used in connected autonomous vehicle wireless networks to classify mobile users such as pedestrians, cyclists, and vehicles. We use a combination of mathematical and exhaustive search to establish its validity as a true distance metric. We compare the K-Means algorithm using the proposed distance metric with five other distance metrics for comparison. These metrics include the Euclidean, Manhattan, Canberra, Chi-squared, and Clark distances. Simulation results depict the effectiveness of our proposed metric compared with the other distance metrics in both one-dimensional and two-dimensional randomly generated datasets. In this paper, we use three internal evaluation measures namely the Compactness, Sum of Squared Errors (SSE), and Silhouette measures. These measures are used to study the proper number of clusters for each of the K-Means algorithms and also select the best run among multiple centroid initializations. The elbow method and the local maximum approach are used alongside the evaluation measures to select the optimal number of clusters.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle