संरेखण इस तथ्य पर निर्भर करता है कि सभी जीवित जीव विकास से जुड़े हैं। इसका उपयोग यह है कि न्यूक्लियोटाइड (डीएनए, आरएनए) और प्रजातियों की प्रोटीन श्रृंखला जो विकास में एक दूसरे के करीब हैं, उच्च समानताएं प्रदर्शित करनी चाहिए। एक संरेखण एक अधिकतम स्तर की पहचान प्राप्त करने के लिए अनुक्रमों को संरेखित

BLAST एल्गोरिथम का निर्माण 1990 के आसपास Altschul, Gish, Miller द्वारा नेशनल सेंटर फॉर बायोटेक्नोलॉजी इंफॉर्मेशन (NCBI) में किया गया था। BLAST का उपयोग अनुक्रमों के बीच कार्यात्मक और विकासवादी संबंधों को प्राप्त करने और जीन परिवारों के सदस्यों को पहचानने में मदद करने के लिए किया जाता है। एनसीबीआई व

टपल आईडी प्रचार वर्चुअल जॉइन को लागू करने का एक तरीका है, जो बहुसंबंधपरक वर्गीकरण की प्रभावशीलता में अत्यधिक सुधार करता है। शारीरिक रूप से संबंधों में शामिल होने के बजाय, वे लक्ष्य टुपल्स की आईडी को गैर-लक्षित संबंधों में टुपल्स से जोड़कर वस्तुतः संयुक्त होते हैं। इस पद्धति में विधेय की गणना की जा

मल्टीरिलेशनल क्लस्टरिंग डेटा ऑब्जेक्ट्स को क्लस्टर के समूह में विभाजित करने का चरण है, जो कई संबंधों में डेटा का उपयोग करके उनकी समानता पर निर्भर करता है। क्रॉसक्लस उपयोगकर्ता मार्गदर्शन के साथ क्रॉस-रिलेशनल क्लस्टरिंग का प्रतिनिधित्व करता है। यह मल्टीरिलेशनल क्लस्टरिंग के लिए एक एल्गोरिथम है जो विश

एक सेट-मूल्यवान विशेषता सजातीय या विषम प्रकार की हो सकती है। आम तौर पर, सेट-मूल्यवान जानकारी को . द्वारा सामान्यीकृत किया जा सकता है समुच्चय में प्रत्येक मान का उसके समकक्ष उच्च-स्तरीय अवधारणा के लिए सामान्यीकरण सेट के सामान्य व्यवहार की व्युत्पत्ति, जिसमें सेट में कई तत्व, सेट में प्रकार या

सांख्यिकीय स्थानिक डेटा विश्लेषण स्थानिक डेटा की खोज और भौगोलिक डेटा का विश्लेषण करने के लिए एक प्रसिद्ध तकनीक रही है। भू-सांख्यिकी शब्द निरंतर भौगोलिक क्षेत्र से संबंधित है, जबकि स्थानिक सांख्यिकी शब्द असतत स्थान से संबंधित है। एक सांख्यिकीय मॉडल में जो गैर-स्थानिक रिकॉर्ड का प्रबंधन करता है, आम त

स्वचालित दस्तावेज़ वर्गीकरण एक आवश्यक टेक्स्ट माइनिंग सेवा है क्योंकि बड़ी संख्या में ऑन-लाइन फ़ाइलों के अस्तित्व के कारण, दस्तावेज़ पुनर्प्राप्ति और क्रमिक विश्लेषण का समर्थन करने के लिए ऐसे रिकॉर्ड को स्वचालित रूप से कक्षाओं में व्यवस्थित करने में सक्षम होना अंतहीन है। दस्तावेज़ वर्गीकरण का उपयोग

दस्तावेज़ क्लस्टरिंग एक असुरक्षित तरीके से फाइलों को व्यवस्थित करने के लिए महत्वपूर्ण तकनीक है। जब दस्तावेज़ों को टर्म वैक्टर के रूप में दर्शाया जाता है, तो क्लस्टरिंग विधियों को लागू किया जा सकता है। दस्तावेज़ स्थान लगातार बड़े आकार का होता है, जो विभिन्न सैकड़ों से लेकर हज़ारों तक होता है। आयामीत

सांख्यिकीय मापदंडों का उपयोग टॉप-डाउन, ग्रिड-आधारित दृष्टिकोणों में निम्नानुसार किया जा सकता है। सबसे पहले, पदानुक्रमित वास्तुकला के भीतर एक परत तय की जाती है जिससे क्वेरी-उत्तर देने की प्रक्रिया शुरू होनी है। इस परत में आम तौर पर कोशिकाओं की एक छोटी संख्या शामिल होती है। वर्तमान परत में प्रत्येक स

COBWEB वस्तुओं को एक वर्गीकरण ट्री में क्रमिक रूप से शामिल करता है। COBWEB सर्वश्रेष्ठ होस्ट या नोड की तलाश में, जिस पर ऑब्जेक्ट को परिभाषित किया जाता है, एक आवंटित पथ के साथ पेड़ पर उतरता है, विधि के साथ ताज़ा मायने रखता है। यह निर्णय अस्थायी रूप से प्रत्येक नोड में वस्तु का पता लगाने और परिणामी व

CLIQUE उच्च-आयामी क्षेत्र में आयाम-विकास उपक्षेत्र क्लस्टरिंग के लिए अनुमानित पहला एल्गोरिदम था। डाइमेंशन-ग्रोथ सबएरिया क्लस्टरिंग में, क्लस्टरिंग प्रक्रिया सिंगल-डायमेंशनल सबस्पेस से शुरू होती है और ऊपर की तरफ हाई-डायमेंशनल तक बढ़ जाती है। क्योंकि CLIQUE ग्रिड आर्किटेक्चर जैसे प्रत्येक आयाम को विभ

PROCLUS,प्रोजेक्टेड क्लस्टरिंग के लिए खड़ा है। यह एक सामान्य आयाम-कमी सबस्पेस क्लस्टरिंग तकनीक है। यही है, व्यक्तिगत-आयामी रिक्त स्थान से शुरू करने के बजाय, यह उच्च-आयामी विशेषता क्षेत्र में समूहों के मूल सन्निकटन को खोजने से शुरू होता है। प्रत्येक आयाम को प्रत्येक क्लस्टर के लिए एक भार बनाया जाता ह

एक विभाजन क्लस्टरिंग विधि वांछनीय है क्योंकि यह सेट और उनके क्लस्टर केंद्रों के बीच की दूरी को कम करती है। यदि यह k- साधन विधि चुन सकता है, तो बाधाओं के अस्तित्व को देखते हुए एक क्लस्टर केंद्र उपलब्ध नहीं हो सकता है। उदाहरण के लिए, क्लस्टर एक झील के केंद्र में हो सकता है। दूसरे शब्दों में, k-medoid

अनुक्रमिक अपवाद तकनीक उस पद्धति का अनुकरण करती है जिसमें मनुष्य असामान्य सेटों को कथित रूप से वस्तुओं के अनुक्रम के बीच से अलग कर सकता है। यह डेटा के निहित अतिरेक में मदद करता है। n ऑब्जेक्ट्स के डेटा सेट, D को देखते हुए, यह सबसेट का एक क्रम बनाता है, {D1 , डी2 ,..., डीएम }, इन वस्तुओं में से 2 ≤ m

यादृच्छिक एल्गोरिदम - रैंडम सैंपलिंग और ब्लूप्रिंट के रूप में रैंडमाइज्ड एल्गोरिदम का उपयोग बड़े, उच्च-आयामी डेटा स्ट्रीम से निपटने के लिए किया जाता है। ज्ञात नियतात्मक एल्गोरिदम के विपरीत यादृच्छिककरण की आवश्यकता सरल और अधिक प्रभावी एल्गोरिदम की ओर ले जाती है। यदि कोई यादृच्छिक एल्गोरिथम लगातार सह

एक उपयोगकर्ता दो इनपुट मापदंडों का समर्थन करता है, जिसमें न्यूनतम समर्थन सीमा, और पहले से बाध्य त्रुटि शामिल है, जिसे के रूप में दर्शाया गया है। आने वाली धारा सैद्धांतिक रूप से चौड़ाई w =[1/ε] की बाल्टी में विभाजित है। मान लें कि N वर्तमान स्ट्रीम लंबाई है, यानी अब तक देखे गए आइटमों की संख्या। एल्ग

डेटा स्ट्रीम क्लस्टरिंग को डेटा के क्लस्टरिंग के रूप में वर्णित किया जाता है जो टेलीफोन डेटा, मल्टीमीडिया डेटा, मौद्रिक लेनदेन इत्यादि सहित लगातार दिखाई देता है। डेटा स्ट्रीम क्लस्टरिंग को आम तौर पर स्ट्रीमिंग एल्गोरिदम के रूप में माना जाता है और इसका उद्देश्य सर्वोत्तम क्लस्टरिंग बनाने के लिए बिंदु

STREAM एक व्यक्तिगत-पास, निरंतर तत्व सन्निकटन एल्गोरिथ्म है जो k- माध्यिका समस्या के लिए तैयार किया गया था। k-माध्यमों की समस्या N डेटा बिंदुओं को k समूहों या समूहों में क्लस्टर करना है जैसे कि बिंदुओं और क्लस्टर केंद्र के बीच योग चुकता त्रुटि (SSQ) जिसे उन्हें सौंपा गया है, कम से कम है। विचार एक ही

CBR,केस-आधारित तर्क के लिए खड़ा है। सीबीआर क्लासिफायर को नई समस्याओं को स्पष्ट करने के लिए समस्या समाधान के डेटाबेस की आवश्यकता होती है। निकटतम-पड़ोसी क्लासिफायरियर के विपरीत, जो यूक्लिडियन स्पेस में प्रशिक्षण टुपल्स को बिंदुओं के रूप में सहेजते हैं, सीबीआर समस्या समाधान के लिए टुपल्स या केस को कठिन

सामान्यीकृत रैखिक मॉडल सैद्धांतिक प्राधिकरण को परिभाषित करता है जिस पर श्रेणीबद्ध प्रतिक्रिया चर के मॉडलिंग के लिए रैखिक प्रतिगमन का उपयोग किया जा सकता है। सामान्यीकृत रैखिक मॉडल में, प्रतिक्रिया चर का विचरण, y, y के माध्य मान का एक कार्य है, रैखिक प्रतिगमन के विपरीत, जहां y का विचरण स्थिर होता है।