एम डेटा बिंदुओं के लिए एम निकटता मैट्रिक्स को एक घने ग्राफ के रूप में परिभाषित किया जा सकता है जिसमें प्रत्येक नोड कुछ अन्य से जुड़ा होता है और नोड्स के कुछ समूह के बीच किनारे का वजन उनकी जोड़ीदार निकटता का पालन करता है। हालांकि प्रत्येक ऑब्जेक्ट में एक-दूसरे ऑब्जेक्ट से समानता का कोई न कोई तरीका हो

इलाज प्रतिनिधि का उपयोग कर क्लस्टरिंग का प्रतिनिधित्व करता है। यह एक क्लस्टरिंग एल्गोरिदम है जो एक दृष्टिकोण बनाने के लिए कई तकनीकों का उपयोग करता है जो गैर-गोलाकार वास्तुकला और गैर-समान आकार वाले उच्च डेटा सेट, आउटलेयर और क्लस्टर का प्रबंधन कर सकता है। CURE क्लस्टर से कई प्रतिनिधि बिंदुओं का उपयोग

विसंगति का पता लगाने में, उद्देश्य उन वस्तुओं की खोज करना है जो कई वस्तुओं से भिन्न हैं। अक्सर, विषम वस्तुओं को आउटलेयर के रूप में संदर्भित किया जाता है, क्योंकि डेटा के स्कैटर प्लॉट पर, वे कई डेटा बिंदुओं से बहुत दूर होते हैं। विसंगति का पता लगाने को विचलन का पता लगाना कहा जाता है, क्योंकि विषम वस्

विसंगति का पता लगाने में, उद्देश्य उन वस्तुओं की खोज करना है जो कई वस्तुओं से भिन्न हैं। अक्सर, विषम वस्तुओं को आउटलेयर के रूप में संदर्भित किया जाता है, क्योंकि डेटा के स्कैटर प्लॉट पर, वे कई डेटा बिंदुओं से बहुत दूर होते हैं। विसंगति का पता लगाने को विचलन का पता लगाना कहा जाता है, क्योंकि विषम वस्

विसंगति का पता लगाने के विभिन्न मुद्दे हैं जो इस प्रकार हैं - विसंगति को परिभाषित करने के लिए उपयोग की जाने वाली विशेषताओं की संख्या - किसी वस्तु का विसंगतिपूर्ण प्रश्न एक व्यक्तिगत विशेषता पर निर्भर करता है, यह एक प्रश्न है कि क्या उस विशेषता के लिए वस्तु का मान विषम है। क्योंकि एक वस्तु में कई वि

सांख्यिकीय दृष्टिकोण मॉडल-आधारित दृष्टिकोण हैं जैसे डेटा के लिए एक मॉडल तैयार किया जाता है, और वस्तुओं की गणना इस बात से की जाती है कि वे मॉडल को कितनी अच्छी तरह फिट करते हैं। बाहरी पता लगाने के लिए अधिकांश सांख्यिकीय दृष्टिकोण एक संभाव्यता वितरण मॉडल विकसित करने और उस मॉडल के नीचे Iikely ऑब्जेक्ट क

डेटा माइनिंग के लिए क्रॉस इंडस्ट्री स्टैंडर्ड प्रोसेस (CRISP-DM) को M&V कार्यप्रणाली को और अधिक मानकीकृत करने और ऊर्जा बचत के अधिक कुशल अनुमान की अनुमति देने के दृष्टिकोण के रूप में मान्यता दी गई थी। क्रिस्प-डीएम के कई अनुप्रयोग हैं जो इस प्रकार हैं - व्यावसायिक समझ - एम एंड वी की मदद के लिए डीएम क

बिटकॉइन माइनिंग सार्वजनिक खाता बही में लेन-देन संबंधी डेटा को प्रमाणित करने और डालने की प्रक्रिया को परिभाषित करता है। सार्वजनिक आधार को ब्लॉकचेन कहा जाता है क्योंकि इसमें ब्लॉक का एक सेट शामिल होता है। बिटकॉइन आभासी धन है जो कुछ मूल्य प्राप्त कर रहा है, और इसका मूल्य स्थिर नहीं है, यह समय के अनुसार

द्विभाजित K- साधन एल्गोरिथ्म मूल K- ​​साधन एल्गोरिथ्म का एक सरल विकास है जो एक साधारण अवधारणा पर निर्भर करता है जैसे K क्लस्टर प्राप्त करना, कुछ बिंदुओं के सेट को दो समूहों में विभाजित करना, विभाजित करने के लिए इनमें से किसी एक क्लस्टर को चुनना, आदि। , जब तक K क्लस्टर तैयार नहीं हो जाते। k- साधन एल

एग्लोमेरेटिव पदानुक्रमित क्लस्टरिंग एक बॉटम-अप क्लस्टरिंग दृष्टिकोण है जहां क्लस्टर में उप-क्लस्टर होते हैं, जिसमें लगातार उप-क्लस्टर होते हैं, आदि। यह प्रत्येक ऑब्जेक्ट को अपने क्लस्टर में ढूंढने से शुरू होता है और फिर इन परमाणु समूहों को उच्च और उच्च क्लस्टर में जोड़ता है जब तक कि कुछ ऑब्जेक्ट नही

एक पदानुक्रमित क्लस्टरिंग दृष्टिकोण डेटा ऑब्जेक्ट को क्लस्टर के पेड़ में विलय करके संचालित होता है। पदानुक्रमित क्लस्टरिंग एल्गोरिदम टॉप-डाउन या बॉटम-अप हैं। सटीक पदानुक्रमित क्लस्टरिंग तकनीकों की विशेषता इसके समायोजन करने में कमी से उत्पन्न होती है क्योंकि विलय या विभाजन निर्णय पूरा हो जाता है। पद

के-मीन्स K- साधन क्लस्टरिंग विभाजन एल्गोरिथ्म है। K- साधन डेटासेट में प्रत्येक डेटा को बनाए गए नए समूहों में से केवल एक में फिर से बनाता है। दूरी या समानता के माप का उपयोग करके आसन्न क्लस्टर को एक डेटा या डेटा बिंदु असाइन किया जाता है। k- साधन में, एक वस्तु निकटतम केंद्र में उत्पन्न होती है। यह क

डेटा की कुछ विशेषताएं निम्नलिखित हैं जो क्लस्टर विश्लेषण को दृढ़ता से प्रभावित कर सकती हैं जो इस प्रकार है - उच्च आयामीता - उच्च-आयामी डेटा सेट में, घनत्व की पारंपरिक यूक्लिडियन अवधारणा, जो प्रति इकाई आयतन के कई बिंदु है, महत्वपूर्ण हो जाती है। यह माना जाता है कि जैसे-जैसे कई आयाम बढ़ते हैं, मात्रा

भौतिक या अमूर्त वस्तुओं के समूह को समान वस्तुओं के वर्गों में संयोजित करने की प्रक्रिया को क्लस्टरिंग के रूप में जाना जाता है। क्लस्टर डेटा ऑब्जेक्ट्स का एक सेट है जो एक ही क्लस्टर के भीतर एक दूसरे के समान होते हैं और अन्य क्लस्टर में ऑब्जेक्ट्स से अलग होते हैं। डेटा ऑब्जेक्ट्स के समूह को सामूहिक रू

क्लस्टरिंग एल्गोरिदम की विभिन्न विशेषताएं हैं जो इस प्रकार हैं - आदेश निर्भरता - कई एल्गोरिदम के लिए, डेटा संसाधित होने के क्रम के आधार पर, उत्पादित क्लस्टर की विशेषता और संख्या नाटकीय रूप से भिन्न हो सकती है। हालांकि इस तरह के एल्गोरिदम को रोकने के लिए यह वांछनीय लग सकता है, कभी-कभी ऑर्डर निर्भरता

प्रोटोटाइप-आधारित क्लस्टरिंग में, क्लस्टर ऑब्जेक्ट्स का एक समूह होता है जिसमें कुछ ऑब्जेक्ट प्रोटोटाइप के करीब होता है जो किसी अन्य क्लस्टर के प्रोटोटाइप की तुलना में क्लस्टर का प्रतिनिधित्व करता है। एक सरल प्रोटोटाइप-आधारित क्लस्टरिंग एल्गोरिदम जिसे क्लस्टर के प्रोटोटाइप के रूप में क्लस्टर में तत्व

SOM स्व-आयोजन फ़ीचर मैप का प्रतिनिधित्व करता है। यह एक क्लस्टरिंग है और डेटा विज़ुअलाइज़ेशन दृष्टिकोण एक तंत्रिका नेटवर्क दृष्टिकोण पर निर्भर करता है। एसओएम का उद्देश्य सेंट्रोइड्स (एसओएम शब्दावली में संदर्भ वैक्टर) के एक सेट की खोज करना है और डेटा में प्रत्येक ऑब्जेक्ट को सेंट्रोइड पर सेट करना है ज

SOM स्व-व्यवस्थित सुविधा मानचित्र का प्रतिनिधित्व करता है। यह एक क्लस्टरिंग है और डेटा विज़ुअलाइज़ेशन तकनीक एक तंत्रिका नेटवर्क दृष्टिकोण पर निर्भर करती है। एसओएम के तंत्रिका नेटवर्क आधार के बावजूद, इसे प्रोटोटाइप-आधारित क्लस्टरिंग के परिवर्तन के संदर्भ में बस प्रस्तुत किया जाता है-न्यूनतम। एसओएम क

एसोसिएशन विश्लेषण एल्गोरिदम में बड़ी संख्या में पैटर्न बनाने की संभावना है। उदाहरण के लिए, हालांकि डेटा सेट में केवल छह आइटम शामिल हैं, यह विशिष्ट समर्थन और विश्वास सीमा पर हजारों एसोसिएशन नियम बना सकता है। चूंकि वास्तविक मौद्रिक डेटाबेस का आकार और आयाम बड़ा हो सकता है, वे आसानी से हजारों या लाखों प

ग्राफ आइसोमोर्फिज्म मुद्दों को संभालने के लिए एक मानक विधि प्रत्येक ग्राफ को एक विशिष्ट स्ट्रिंग प्रतिनिधित्व में मैप करना है जिसे उसका कोड या कैनोनिकल लेबल कहा जाता है। एक विहित लेबल में यह गुण होता है कि यदि दो ग्राफ़ समरूपी हैं, तो उनके कोड समान होने चाहिए। यह गुण हमें ग्राफ़ के विहित लेबल का वि