概括
本研究比较了神经网络集群 (NNC),层次集群 (HC) 和k-means集群 (KMC) 的大数据集组织. 结合HC和KMC方法提供了一个比单独NNC或HC更可靠的集群解决方案.
科学领域:
- 机器学习 机器学习
- 数据科学数据科学数据科学
- 计算光学是指计算机光学.
背景情况:
- 组织大型数据集对于理解复杂系统至关重要.
- 现有各种机器学习集群技术,每个都有优缺点.
- 评估聚类的计算优势对于高效的数据分析至关重要.
研究的目的:
- 为了比较神经网络集群 (NNC),层次集群 (HC) 和K-Means集群 (KMC) 的计算优势.
- 评估这些方法在将大数据集组织成集群中的有效性.
- 确定最可靠的聚类解决方案用于光学偏差的表征.
主要方法:
- 神经网络集群 (NNC) 使用自组织地图 (SOM) 训练在泽尼克系数.
- 使用组合不相似性-链接矩阵计算的等级聚类 (HC).
- 使用轮平均值进行定量细分效率的K-Means集群 (KMC).
主要成果:
- 在NNC分析中,使用8个集群来描述15个变量.
- HC产生了7个集群,不一致度切线为0.8,以及13个集群,切线为0.7.
- 在5个集群中,KMC实现了0.905的轮平均值.
- 结合HC和KMC,与单独的NNC或HC相比,提供了更可靠的集群解决方案.
结论:
- 层次聚类和K-Means聚类的结合为数据集组织提供了更强大,更可靠的方法.
- 在NNC (SOM大小) 或HC (不一致性切断) 中调整参数可以显著改变集群配置.
- 该研究强调了在光学偏差分析中为准确和高效的数据聚类选择方法的重要性.
更多相关视频
06:01Visualization and Quantification of High-Dimensional Cytometry Data using Cytofast and the Upstream Clustering Methods FlowSOM and Cytosplore
Published on: December 12, 2019
8.6K
05:12ExCYT: A Graphical User Interface for Streamlining Analysis of High-Dimensional Cytometry Data
Published on: January 16, 2019
11.5K
