Bøger af Shylaja S

The Clustering is one of the most important technique in data mining. It aims partitioning the data into groups of similar objects. That is refered to as clusters. This research compares the StreamKM++ algorithm with the existing work, such as AP, IAPKM and IAPNA. The StreamKM++ algorithm is a new clustering algorithm from the data stream and itto constructs a good clustering of the stream, using a small amount of memory and time.Many researchers have done their work with static clustering algorithm, but in real time the data is dynamic in nature. Such as blogs, web pages, audio and video, etc., Hence, the conventional static technique doesn't support in real time environment. In this work, the StreamKM++ algorithm is used which achieves high clustering performance over traditional AP, IAPKM and IAPNA. The experimental result shows StreamKM++ algorithm achieves the best result compared with existing work. It has increased the average accuracy rate and reduced the computational time, memory and number of iterations.

Il clustering è una delle tecniche più importanti del data mining. Ha lo scopo di suddividere i dati in gruppi di oggetti simili. Questo viene definito cluster. Questa ricerca confronta l'algoritmo StreamKM++ con i lavori esistenti, come AP, IAPKM e IAPNA. L'algoritmo StreamKM++ è un nuovo algoritmo di clustering del flusso di dati e costruisce un buon clustering del flusso, utilizzando una piccola quantità di memoria e di tempo.Molti ricercatori hanno svolto il loro lavoro con un algoritmo di clustering statico, ma in tempo reale i dati sono di natura dinamica. Come i blog, le pagine web, gli audio e i video, ecc... Per questo motivo, la tecnica statica convenzionale non supporta l'ambiente in tempo reale. In questo lavoro, viene utilizzato l'algoritmo StreamKM++ che raggiunge elevate prestazioni di clustering rispetto ai tradizionali AP, IAPKM e IAPNA. I risultati sperimentali mostrano che l'algoritmo StreamKM++ ottiene il miglior risultato rispetto ai lavori esistenti. Ha aumentato il tasso di accuratezza medio e ha ridotto il tempo di calcolo, la memoria e il numero di iterazioni.

O Clustering é uma das técnicas mais importantes na extração de dados. O seu objetivo é dividir os dados em grupos de objectos semelhantes. São designados por clusters. Esta investigação compara o algoritmo StreamKM++ com os trabalhos existentes, tais como AP, IAPKM e IAPNA. O algoritmo StreamKM++ é um novo algoritmo de clustering a partir do fluxo de dados e constrói um bom clustering do fluxo, utilizando uma pequena quantidade de memória e tempo. Muitos investigadores trabalharam com algoritmos de clustering estáticos, mas em tempo real os dados são dinâmicos por natureza. Por isso, a técnica estática convencional não é compatível com o ambiente de tempo real. Neste trabalho, é utilizado o algoritmo StreamKM++, que atinge um elevado desempenho de agrupamento em relação ao AP tradicional, ao IAPKM e ao IAPNA. Os resultados experimentais mostram que o algoritmo StreamKM++ obtém os melhores resultados em comparação com os trabalhos existentes. Aumentou a taxa de precisão média e reduziu o tempo de computação, a memória e o número de iterações.

Das Clustering ist eine der wichtigsten Techniken im Data Mining. Sie zielt darauf ab, die Daten in Gruppen ähnlicher Objekte aufzuteilen. Dies wird als Cluster bezeichnet. Diese Forschung vergleicht den StreamKM++ Algorithmus mit den bestehenden Arbeiten, wie AP, IAPKM und IAPNA. Der StreamKM++-Algorithmus ist ein neuer Clustering-Algorithmus für Datenströme, der mit geringem Speicher- und Zeitaufwand ein gutes Clustering des Datenstroms erstellt.Viele Forscher haben mit statischen Clustering-Algorithmen gearbeitet, aber in Echtzeit sind die Daten dynamischer Natur. Wie z.B. Blogs, Webseiten, Audio- und Videodaten, usw., daher ist die konventionelle statische Technik in einer Echtzeitumgebung nicht geeignet. In dieser Arbeit wird der StreamKM++-Algorithmus verwendet, der eine hohe Clustering-Leistung im Vergleich zu traditionellen AP, IAPKM und IAPNA erreicht. Das experimentelle Ergebnis zeigt, dass der StreamKM++-Algorithmus im Vergleich zu bestehenden Arbeiten das beste Ergebnis erzielt. Er hat die durchschnittliche Genauigkeitsrate erhöht und die Rechenzeit, den Speicher und die Anzahl der Iterationen reduziert.

Le regroupement est l'une des techniques les plus importantes dans le domaine de l'exploration des données. Elle vise à diviser les données en groupes d'objets similaires. C'est ce que l'on appelle les clusters. Cette recherche compare l'algorithme StreamKM++ aux travaux existants, tels que AP, IAPKM et IAPNA. L'algorithme StreamKM++ est un nouvel algorithme de clustering à partir du flux de données et il construit un bon clustering du flux, en utilisant une petite quantité de mémoire et de temps.De nombreux chercheurs ont effectué leur travail avec un algorithme de clustering statique, mais en temps réel, les données sont dynamiques par nature. C'est pourquoi la technique statique conventionnelle n'est pas adaptée à l'environnement en temps réel. Dans ce travail, l'algorithme StreamKM++ est utilisé et permet d'obtenir des performances de clustering élevées par rapport à l'AP traditionnel, à l'IAPKM et à l'IAPNA. Les résultats expérimentaux montrent que l'algorithme StreamKM++ obtient les meilleurs résultats par rapport aux travaux existants. Il a augmenté le taux de précision moyen et réduit le temps de calcul, la mémoire et le nombre d'itérations.