Abstract
In this paper, the projection evaluation measures such as stress function, Spearman’s rho, Konig’s topology preservation, silhouette and Renyi entropy have been analyzed. The principal component analysis (PCA) and part–linear multidimensional projection (PLMP) techniques are used to reduce the dimensionality of the initial data set. The experiments have been carried out with seven real and artificial datasets. The experimental investigation has shown that several quality evaluationmeasures have to be used when dimension reduction problem is solved.
Highlights
Silueto koeficientas buvo pasiūlytas klasterizavimo algoritmų kokybei nustatyti ir leido įvertinti sanglaudą ir atskyrimą tarp suklasterizuotų duomenų aibės taškų
The experimental investigation has shown that several quality evaluation measures have to be used when dimension reduction problem is solved
Summary
Šiame straipsnyje pradinių duomenų dimensijai sumažinti taikomi šie metodai: pagrindinių komponenčių analizė Straipsnyje [6] siūlomas naujas metodas, skirtas daugiamačių duomenų dimensijai mažinti – dalinai tiesinė daugiamatė projekcija. Siūloma pradžioje vertinti atstumus tik tarp dalies taškų (sudaroma imtis), pagal kuriuos vėliau randamos likusiųjų duomenų aibės taškų projekcijos. Xn} yra duomenų aibė, sudaryta iš taškų Xi ∈ Rm. Reikia rasti tokią tiesinę transformaciją Φ : Rm → Rd, d < m, kuri tenkintų išraišką:. 2, čia Lm,d – tiesinės transformacijos iš erdvės Rm į Rd, d(Xi, Xj) ir d(Φ(Xi), Φ(Xj)) yra atstumai tarp taškų pradinėje ir sumažintos dimensijos erdvėse, o D = ij d(Xi, Xj). Jie atvaizduojami iš aibės X sumažintos parenkama dalis taškų X′ = {X1′ , dimensijos erdvėje Rd. Tegu Xi′ yra. Xk′ } skaičius yŠriaam√ens,tjrųaipprsonjyejke-, cija sumažintos dimensijos erdvėje randama daugiamačių skalių metodu [1]
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callDisclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
