PRAD [LaBe] uses k-nearest neighbor

PRAD [LaBe] uses k-nearest neighbor (knn) clustering to reduce data. To perform knn clustering, x percentiles of the distribution are determined. The data is reduced to one of the values 1 to x. Thus each of n data elements is clustered with k = n x+1 neighboring data points. Along with the choice of number of percentile points, the positions of the percentiles can also be located. For instance, [La] uses 2 percentiles and splits the categories at the 50th percentile. The Bernoulli vector used in Haystack uses x = 2 and splits at the 90th percentile. [He]




Wisdom&Sense [LiVa] also performs clustering of numerical data. The history of audit data is separated into clusters which correspond to high density regions followed by low density regions; the historical data is then represented by clusters which represent each density region.

結果 (法文) 1:

PRAD [LaBe] utilise des k plus proches voisins (knn), clustering pour réduire les données. Pour exécuter knn clustering, x percentiles de la distribution sont déterminés. Les données se réduites à une des valeurs 1 à x. Ainsi, chacun des éléments de données n est organisé en clusters avec k = x n + 1 points de données de voisins. Ainsi que le choix du nombre de points de percentile, les positions des percentiles peuvent également être situées. Par exemple, [La] utilise 2 percentiles et divise les catégories au 50e percentile. Le vecteur de Bernoulli utilisé dans des utilisations de Haystack x = 2 et fendues au 90e centile. [Il]Sagesse & sens [LiVa] effectue également le regroupement des données numériques. L'historique des données de vérification est séparé en grappes qui correspondent à des régions de forte densité suivis de régions à faible densité ; les données historiques sont alors représentées par les pôles de compétitivité qui représentent chaque région de densité.

結果 (法文) 3:

prad [122] utilise (knn) k - voisin le plus à réduire le regroupement des données.pour s'acquitter de knn regroupement, x percentiles de la distribution sont déterminés.les données sont réduits à l'une des valeurs 1 à x. ainsi, chacun des éléments de données est regroupé avec n k = n x 1 les points de données.avec le choix du nombre de percentile points, les positions de ces derniers peut également être situé.par exemple,[la] utilise 2 percentiles et divise les catégories lors de la 50e percentile.le vecteur utilisé dans la botte de foin utilise bernoulli x = 2 et se casse au 90e percentile.[il] a l'inverse, une sagesse & sens [liva] exerce également le regroupement des données numériques.l'histoire de l'audit données sont séparés en groupes qui correspondent aux régions à faible densité de haute densité, suivie par les régions;les données historiques sont représentées par des groupes qui représentent chaque région de densité.