...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of biomedical informatics. >Efficient layered density-based clustering of categorical data.
【24h】

Efficient layered density-based clustering of categorical data.

机译：基于分层密度的高效分类数据聚类。

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

A challenge involved in applying density-based clustering to categorical biomedical data is that the "cube" of attribute values has no ordering defined, making the search for dense subspaces slow. We propose the HIERDENC algorithm for hierarchical density-based clustering of categorical data, and a complementary index for searching for dense subspaces efficiently. The HIERDENC index is updated when new objects are introduced, such that clustering does not need to be repeated on all objects. The updating and cluster retrieval are efficient. Comparisons with several other clustering algorithms showed that on large datasets HIERDENC achieved better runtime scalability on the number of objects, as well as cluster quality. By fast collapsing the bicliques in large networks we achieved an edge reduction of as much as 86.5%. HIERDENC is suitable for large and quickly growing datasets, since it is independent of object ordering, does not require re-clustering when new data emerges, and requires no user-specified input parameters.
机译：将基于密度的聚类应用于分类生物医学数据所涉及的挑战是，属性值的“多维数据集”没有定义顺序，从而使得对密集子空间的搜索变慢。我们提出了用于基于分层密度的分类数据聚类的HIERDENC算法，以及用于高效搜索密集子空间的互补索引。引入新对象时，将更新HIERDENC索引，这样就不必在所有对象上重复进行聚类。更新和群集检索效率很高。与其他几种聚类算法的比较表明，在大型数据集上，HIERDENC在对象数量以及聚类质量方面实现了更好的运行时可伸缩性。通过在大型网络中快速折叠Biclique，我们减少了多达86.5％的边缘。 HIERDENC适用于大型且快速增长的数据集，因为它独立于对象排序，在出现新数据时不需要重新聚类，并且不需要用户指定的输入参数。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号