抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
クラスタリング技術は,データマイニング,パターン認識,機械学習および他の分野で重要な応用を有する。しかし,データの爆発的成長によって,従来のクラスタリングアルゴリズムは,大きいデータ解析のニーズを満たすのにますます難しい。従来のクラスタリングアルゴリズムを改良して,大きいデータのバックグラウンドの下でクラスタ化の品質と効率を確実にする方法は,人工知能と大きいデータ処理の重要な研究トピックになった。密度ベースのクラスタリングアルゴリズムは,未知のデータ分布の場合,任意形状のデータセットをクラスタ化できる。DBSCANは古典的密度ベースクラスタリングアルゴリズムであり,その簡単で効率的な特性によりデータクラスタリング解析に広く用いられている。本論文の目的は,密度に基づくDBSCANクラスタリングアルゴリズムを研究することである。本論文は最初にDBSCANアルゴリズムの概念を導入して,3つの異なるデータセットにおけるDBSCANアルゴリズムに関する性能試験を実行した。実験結果を解析することによって,DBSCANアルゴリズムは,広い値および徐々に疎な前進を有する非一様密度のデータセット上で個別化クラスタ化を実行するとき,より高い均一性および多様性を有すると結論づけることができた。DBSCANアルゴリズム近傍距離epsが1000であるとき,クラスタ化後に26クラスが生成される。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】