Datamining2
DownloadTélécharger
Actions
Vote :
ScreenshotAperçu
Informations
Catégorie :Category: nCreator TI-Nspire
Auteur Author: gadder
Type : Classeur 3.0.1
Page(s) : 1
Taille Size: 1.91 Ko KB
Mis en ligne Uploaded: 15/12/2024 - 15:04:48
Uploadeur Uploader: gadder (Profil)
Téléchargements Downloads: 3
Visibilité Visibility: Archive publique
Shortlink : http://ti-pla.net/a4406933
Type : Classeur 3.0.1
Page(s) : 1
Taille Size: 1.91 Ko KB
Mis en ligne Uploaded: 15/12/2024 - 15:04:48
Uploadeur Uploader: gadder (Profil)
Téléchargements Downloads: 3
Visibilité Visibility: Archive publique
Shortlink : http://ti-pla.net/a4406933
Description
Fichier Nspire généré sur TI-Planet.org.
Compatible OS 3.0 et ultérieurs.
<<
Clustering Mode demploi pour le clustering hiérarchique (minimum linkage) Analyser la matrice : Identifier les distances entre les observations (hors diagonale). Trouver les clusters à fusionner : Repérer la plus petite distance non nulle. Fusionner les clusters : Regrouper les deux observations/clusters correspondants. Mettre à jour la matrice : Recalculer les distances avec la formule de minimum linkage (plus petite distance entre les clusters fusionnés et les autres). Répéter : Continuer jusquà ce quun seul cluster regroupe toutes les observations. Mode demploi pour le clustering K-means Initialiser les centroids : Choisir k points initiaux (centroids), soit aléatoirement, soit basés sur les données. Attribuer les observations : Assigner chaque observation au centroid le plus proche (en utilisant la distance Euclidienne ou une autre métrique). Mettre à jour les centroids : Recalculer la position de chaque centroid en prenant la moyenne des observations assignées à son cluster. Répéter : Réattribuer les observations aux centroids recalculés et mettre à jour les centroids. Arrêter : Continuer jusquà ce quil ny ait plus de changement dans les clusters (convergence) ou après un nombre ditérations défini. Mode demploi pour le clustering hiérarchique (maximum linkage) Analyser la matrice : Identifier les distances entre les observations (hors diagonale). Trouver les clusters à fusionner : Repérer la plus petite distance non nulle. Fusionner les clusters : Regrouper les deux observations/clusters correspondants. Mettre à jour la matrice : Recalculer les distances avec la formule de maximum linkage (plus grande distance entre un point de chaque cluster fusionné et les autres clusters). Répéter : Continuer jusquà ce quun seul cluster regroupe toutes les observations. Linertie cest le nombre max de valeur par cluster Au dela de 10000 cas, il y en a trop pour le clustering hiérarchique, on choisit le K-means Made with nCreator - tiplanet.org
>>
Compatible OS 3.0 et ultérieurs.
<<
Clustering Mode demploi pour le clustering hiérarchique (minimum linkage) Analyser la matrice : Identifier les distances entre les observations (hors diagonale). Trouver les clusters à fusionner : Repérer la plus petite distance non nulle. Fusionner les clusters : Regrouper les deux observations/clusters correspondants. Mettre à jour la matrice : Recalculer les distances avec la formule de minimum linkage (plus petite distance entre les clusters fusionnés et les autres). Répéter : Continuer jusquà ce quun seul cluster regroupe toutes les observations. Mode demploi pour le clustering K-means Initialiser les centroids : Choisir k points initiaux (centroids), soit aléatoirement, soit basés sur les données. Attribuer les observations : Assigner chaque observation au centroid le plus proche (en utilisant la distance Euclidienne ou une autre métrique). Mettre à jour les centroids : Recalculer la position de chaque centroid en prenant la moyenne des observations assignées à son cluster. Répéter : Réattribuer les observations aux centroids recalculés et mettre à jour les centroids. Arrêter : Continuer jusquà ce quil ny ait plus de changement dans les clusters (convergence) ou après un nombre ditérations défini. Mode demploi pour le clustering hiérarchique (maximum linkage) Analyser la matrice : Identifier les distances entre les observations (hors diagonale). Trouver les clusters à fusionner : Repérer la plus petite distance non nulle. Fusionner les clusters : Regrouper les deux observations/clusters correspondants. Mettre à jour la matrice : Recalculer les distances avec la formule de maximum linkage (plus grande distance entre un point de chaque cluster fusionné et les autres clusters). Répéter : Continuer jusquà ce quun seul cluster regroupe toutes les observations. Linertie cest le nombre max de valeur par cluster Au dela de 10000 cas, il y en a trop pour le clustering hiérarchique, on choisit le K-means Made with nCreator - tiplanet.org
>>
