توجه: محتویات این صفحه به صورت خودکار پردازش شده و مقاله‌های نویسندگانی با تشابه اسمی، همگی در بخش یکسان نمایش داده می‌شوند.
۱Evaluation and comparison of clustering algorithm K–means and LBG (Linde–Buzo–Gray)
اطلاعات انتشار: اولین کنفرانس بین المللی دستاوردهای نوین پژوهشی در مهندسی برق و کامپیوتر، سال
تعداد صفحات: ۴
K–means is one of the famous clustering methods in Data mining. Besides its simplicity, it is a basic method and is employed in other clustering methods. LBG is another clustering method which uses vector quantization in clustering. LBG is similar to K–means with some differences which overcomes weaknesses of K–means. This research tries to compare two specimens of clustering methods: K–means and LBG. To show that LBG performs better than K–means, we used WDBC.DATA dataset which contains 569 samples<\div>
نمایش نتایج ۱ تا ۱ از میان ۱ نتیجه