Отрывок: 1): ( x, y) = ( (𝑥1+𝑥2+𝑥3) 3 , (𝑦1+𝑦2+𝑦3) 3 ). 5) Подсчитанные центроиды становятся новыми центрами кластеров. На рисунке 7 показан процесс пересчета центров тяжести для трех кластеров. 19 Рисунок 7 – Определение центров тяжести кластеров и новых границ кластеров Шаги 3 и 4 повторяются пока не выполнится условие остановки. Остановка алгоритма производится тогда, когда на каждой итерации в каждом кластере будет оставаться один и тот же набор ...
Название : Реализация и исследование алгоритмов кластеризации с применением методов обработки больших объемов данных
Авторы/Редакторы : Мухин А. С.
Куприянов А. В.
Кузнецов А. В.
Министерство образования и науки Российской Федерации
Самарский национальный исследовательский университет им. С. П. Королева (Самарский университет)
Институт информатики
математики и электроники
Дата публикации : 2017
Библиографическое описание : Мухин, А. С. Реализация и исследование алгоритмов кластеризации с применением методов обработки больших объемов данных : вып. квалификац. работа по спец. "Прикладная математика и информатика" / А. С. Мухин ; рук. работы А. В. Куприянов; рец. А. В. Кузнецов ; М-во образования и науки Рос. Федерации, Самар. нац. исслед. ун-т им. С. П. Королева (Самар. ун-т), Ин-т информатики, математики и элек. - Самара, 2017. - on-line
Аннотация : Объектом исследования является алгоритм кластеризации K–means, метод, применяемый для работы с Big data (MapReduce). Цель работы– исследовать алгоритм кластеризации, реализованный с применением технологий параллельного программирования. Разработана програ
Другие идентификаторы : RU\НТБ СГАУ\ВКР20170919152914
Ключевые слова: обработка больших объемов данных
распределенное программирование
Евклидово расстояние
Big Data
MapReduce
K–means
кластерный анализ
Располагается в коллекциях: Выпускные квалификационные работы




Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.