 |
|
|
|
|
|
|
 |
 |
ที่มา:Agricultural Science Journal (วารสารวิทยาศาสตร์เกษตร)หัวเรื่อง:การวิเคราะห์จำแนกกลุ่มเพื่อคัดแยกมังคุดเนื้อแก้วแบบไม่ทำลายโดยสเปกโทรสโกปีอินฟราเรดย่านใกล้ |
 หัวเรื่อง:ไม่มีชื่อไทย (ชื่ออังกฤษ : Comparison of Clustering Techniques for Cluster Analysis) ผู้เขียน: ปิยธิดา รุจะศิริ,  ดร.บุญอ้อม โฉมที, รองศาสตราจารย์ สื่อสิ่งพิมพ์:pdf AbstractCluster analysis is important for analyzing the number of clusters of natural data in several domains. Various clustering methods have been proposed. However, it is very difficult to choose the method best suited to the type of data. Therefore, the objective of this research was to compare the effectiveness of five clustering techniques with multivariate data. The techniques were: hierarchical clustering method; K-means clustering algorithm; Kohonen’s Self-Organizing Maps method (SOM); K-medoids method; and K-medoids method integrated with Dynamic Time Warping distance measure (DTW). To evaluate these five techniques, the root mean square standard deviation (RMSSTD) and r2 (RS) were used. For RMSSTD, a lower value indicates a better technique and for RS, a higher value indicates a better technique. These approaches were evaluated using both real and simulated data which were multivariate normally distributed. Each dataset was generated by a Monte Carlo technique with 100 sample sizes and repeated 1,000 times for 3, 5 and 7 variables. In this research, 2, 3, 4, 5, 6, 7 and 8 clusters were studied. Both real and simulated datasets provided the same result, with the K-means clustering method having the closest RMSSTD and RS results to the SOM method. These two methods yielded the lowest RMSSTD and highest RS in all simulations. Hence, both K-means and SOM were considered to be the most suitable techniques for cluster analysis. |
ที่มา:วารสารวิทยาศาสตร์ มข.หัวเรื่อง:การเปรียบเทียบวิธีการประมาณค่าข้อมูลสูญหายสำหรับข้อมูลตัวแปรพหุ |
|
|
ที่มา:The 12th National Conference on Statistics and Applied Statistics 2011. Hat Yai, Song khla. May 18-22,2011หัวเรื่อง:ตัวสถิติในการตรวจสอบค่าผิดปกติโดยใช้ 2 องค์ประกอบรอง |
 |
|
|
 |
 |