K-significa agrupamento usando esparsificação de matriz aleatória como se inscrever para bitcoin

O algoritmo de clusterização K-means usando a heurística do Lloyd é uma das ferramentas mais usadas em mineração de dados e aprendizado de máquina que mostra desempenho promissor. No entanto, ela sofre de um alto custo computacional resultante de cálculos de distância euclidiana entre pares entre Os pontos de dados e centros de cluster em cada iteração da heurística de Lloyd. O principal fator contribuinte deste gargalo de garrafa computacional é uma etapa de multiplicação vetor-matriz, onde a matriz contém todos os pontos de dados e o vetor é um centro de agrupamento. Neste artigo, mostramos que podemos dispersar aleatoriamente a matriz de dados original, resultando em um escasso Matriz de dados o que pode acelerar significativamente a etapa de multiplicação do vetor de matriz acima mencionada sem afetar significativamente a qualidade do cluster.


Em particular, mostramos que a solução ideal de agrupamento k-means da matriz de dados esparsos, obtida pela aplicação de esparsificação de matriz aleatória, resulta em um objetivo de agrupamento k-means aproximadamente ideal da matriz de dados original. Nossos estudos empíricos sobre três conjuntos de dados do mundo real corroboram nossas descobertas teóricas e demonstram que nosso método de esparsificação proposto pode, de fato, alcançar um desempenho de agrupamento satisfatório.

preço bitcoin 2017

abstract = {algoritmo de agrupamento K-means usando A heurística de Lloyd é uma das ferramentas mais usadas em mineração de dados e aprendizado de máquina que mostra desempenho promissor. No entanto, ela sofre de um alto custo computacional resultante de cálculos de distância euclidiana entre os pontos de dados e os centros de cluster em cada iteração da heurística de Lloyd. O principal fator contribuinte deste gargalo de garrafa computacional é um vetor de matriz etapa de multiplicação, onde a matriz contém todos os pontos de dados e o vetor é um centro de cluster. Neste artigo, mostramos que podemos distribuir aleatoriamente a matriz de dados original, resultando em uma matriz de dados esparsa que pode acelerar significativamente a etapa de multiplicação de vetores de matriz acima mencionada sem afetar significativamente a qualidade do cluster. Em particular, mostramos que a solução ideal de agrupamento k-means da matriz de dados esparsos, obtida pela aplicação de esparsificação de matriz aleatória, resulta em um objetivo de agrupamento k-means aproximadamente ideal da matriz de dados original. Nossos estudos empíricos sobre três conjuntos de dados do mundo real corroboram nossas descobertas teóricas e demonstram que nosso método de esparsificação proposto pode, de fato, alcançar um desempenho de agrupamento satisfatório.}

bitcoin logotipo

O algoritmo de clusterização% X K-means usando a heurística do Lloyd é uma das ferramentas mais usadas em mineração de dados e aprendizado de máquina que mostra um desempenho promissor. No entanto, ela sofre de um alto custo computacional resultante de cálculos de distância euclidiana entre os pontos de dados e os centros de cluster em cada iteração da heurística de Lloyd. O principal fator contribuinte deste gargalo de garrafa computacional é uma etapa de multiplicação vetor-matriz, onde a matriz contém todos os pontos de dados e o vetor é um centro de agrupamento. Neste artigo, mostramos que podemos distribuir aleatoriamente a matriz de dados original, resultando em uma matriz de dados esparsa que pode acelerar significativamente a etapa de multiplicação de vetores de matriz acima mencionada sem afetar significativamente a qualidade do cluster. Em particular, mostramos que k-significa A solução de agrupamento da matriz de dados esparsos, obtida pela aplicação de esparsificação de matriz aleatória, resulta em uma k-médias aproximadamente ótimas agrupamento objetivo da matriz de dados original. Nossos estudos empíricos sobre três conjuntos de dados do mundo real corroboram nossas descobertas teóricas e demonstram que nosso método de esparsificação proposto pode, de fato, alcançar um desempenho de agrupamento satisfatório.

compre bitcoins anonimamente