This HTML5 document contains 91 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
dbpedia-dehttp://de.dbpedia.org/resource/
dctermshttp://purl.org/dc/terms/
yago-reshttp://yago-knowledge.org/resource/
dbohttp://dbpedia.org/ontology/
n16http://dbpedia.org/resource/File:
foafhttp://xmlns.com/foaf/0.1/
n20https://hdbscan.readthedocs.io/
n9https://global.dbpedia.org/id/
yagohttp://dbpedia.org/class/yago/
dbpedia-ruhttp://ru.dbpedia.org/resource/
dbthttp://dbpedia.org/resource/Template:
dbpedia-ukhttp://uk.dbpedia.org/resource/
rdfshttp://www.w3.org/2000/01/rdf-schema#
freebasehttp://rdf.freebase.com/ns/
n7https://pyclustering.github.io/
n21http://commons.wikimedia.org/wiki/Special:FilePath/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
owlhttp://www.w3.org/2002/07/owl#
wikipedia-enhttp://en.wikipedia.org/wiki/
dbpedia-zhhttp://zh.dbpedia.org/resource/
dbpedia-frhttp://fr.dbpedia.org/resource/
dbphttp://dbpedia.org/property/
dbchttp://dbpedia.org/resource/Category:
provhttp://www.w3.org/ns/prov#
xsdhhttp://www.w3.org/2001/XMLSchema#
wikidatahttp://www.wikidata.org/entity/
goldhttp://purl.org/linguistics/gold/
dbrhttp://dbpedia.org/resource/

Statements

Subject Item
dbr:List_of_algorithms
dbo:wikiPageWikiLink
dbr:OPTICS_algorithm
Subject Item
dbr:Determining_the_number_of_clusters_in_a_data_set
dbo:wikiPageWikiLink
dbr:OPTICS_algorithm
Subject Item
dbr:R-tree
dbo:wikiPageWikiLink
dbr:OPTICS_algorithm
Subject Item
dbr:Optic_(disambiguation)
dbo:wikiPageWikiLink
dbr:OPTICS_algorithm
Subject Item
dbr:Local_outlier_factor
dbo:wikiPageWikiLink
dbr:OPTICS_algorithm
Subject Item
dbr:Cluster_analysis
dbo:wikiPageWikiLink
dbr:OPTICS_algorithm
Subject Item
dbr:Mean_shift
dbo:wikiPageWikiLink
dbr:OPTICS_algorithm
Subject Item
dbr:DBSCAN
dbo:wikiPageWikiLink
dbr:OPTICS_algorithm
Subject Item
dbr:ELKI
dbo:wikiPageWikiLink
dbr:OPTICS_algorithm
Subject Item
dbr:Hans-Peter_Kriegel
dbo:wikiPageWikiLink
dbr:OPTICS_algorithm
dbp:knownFor
dbr:OPTICS_algorithm
dbo:knownFor
dbr:OPTICS_algorithm
Subject Item
dbr:OPTICS_algorithm
rdf:type
yago:WikicatDataClusteringAlgorithms yago:Datum105816622 yago:Abstraction100002137 dbo:Software yago:Information105816287 yago:Cognition100023271 yago:PsychologicalFeature100023100
rdfs:label
Алгоритм кластеризации OPTICS OPTICS algorithm OPTICS OPTICS OPTICS OPTICS
rdfs:comment
Ordering points to identify the clustering structure (OPTICS) is an algorithm for finding density-based clusters in spatial data. It was presented by Mihael Ankerst, Markus M. Breunig, Hans-Peter Kriegel and Jörg Sander.Its basic idea is similar to DBSCAN, but it addresses one of DBSCAN's major weaknesses: the problem of detecting meaningful clusters in data of varying density. To do so, the points of the database are (linearly) ordered such that spatially closest points become neighbors in the ordering. Additionally, a special distance is stored for each point that represents the density that must be accepted for a cluster so that both points belong to the same cluster. This is represented as a dendrogram. OPTICS（英語：Ordering points to identify the clustering structure）是由Mihael Ankerst，Markus M. Breunig，Hans-Peter Kriegel和Jörg Sander提出的基于密度的聚类分析算法。OPTICS并不依赖全局变量来确定聚类，而是将空间上最接近的点相邻排列，以得到数据集合中的对象的线性排序。排序后生成的序列存储了与相邻点之间的距离，并最终生成了一个 dendrogram 。OPTICS算法的思路与DBSCAN类似，但是解决了DBSCAN的一个主要弱点，即如何在密度变化的数据中取得有效的聚类。同时 OPTICS也避免了多数聚类算法中对输入参数敏感的问题。 OPTICS (englisch Ordering Points To Identify the Clustering Structure ‚[etwa] Punkte ordnen um die Clusterstruktur zu identifizieren‘) ist ein dichtebasierter Algorithmus zur Clusteranalyse. Er wurde von Mihael Ankerst, Markus M. Breunig, Hans-Peter Kriegel und entwickelt. Das Grundprinzip des Algorithmus entstammt DBSCAN, jedoch löst der Algorithmus eine wichtige Schwäche des DBSCAN-Algorithmus: im Gegensatz zu diesem kann er Cluster unterschiedlicher Dichte erkennen. Gleichzeitig eliminiert er (weitgehend) den -Parameter des DBSCAN-Algorithmus. Hierzu ordnet OPTICS die Punkte des Datensatzes linear so, dass räumlich benachbarte Punkte in dieser Ordnung nahe aufeinander folgen. Gleichzeitig wird die sogenannte „Erreichbarkeitsdistanz“ notiert. Zeichnet man diese Erreichbarkeitsdistanzen OPTICS (англ. Ordering points to identify the clustering structure) — алгоритм знаходження кластерів у просторових даних на основі щільності. Він був представлений Міхаелем Анкерстом, Маркусом Брюінгом, Хансом Крігелем і Йоргом Сандером. Його основна ідея схожа на DBSCAN, але він вирішує одну з основних слабостей DBSCAN: проблему визначення значущих кластерів в наборах даних різної щільності. Для цього об'єкти бази даних повинні бути впорядковані(за лін. час) так, що об'єкти, які просторово близькі, будуть сусідами в упорядкуванні. Крім того, особлива відстань зберігається для кожної точки, яка являє собою щільність, яка повинна бути прийнятна для кластера, щоб мати обидві сусідні точки належали до тієї ж групи. Як це представлено в дендрограмі. Упорядочение точек для обнаружения кластерной структуры (англ. Ordering points to identify the clustering structure, OPTICS) — это алгоритм нахождения кластеров в пространственных данных на основе плотности. Алгоритм презентовали Михаэл Анкерст, Маркус М. Бройниг, Ганс-Петер Кригель и Ёрг Сандер.Основная идея алгоритма похожа на DBSCAN, но алгоритм предназначен для избавления от одной из главных слабостей алгоритма DBSCAN — проблемы обнаружения содержательных кластеров в данных, имеющих различные плотности. Чтобы это сделать, точки базы данных (линейно) упорядочиваются так, что пространственно близкие точки становятся соседними в упорядочении. Кроме того, для каждой точки запоминается специальное расстояние, представляющее плотность, которую следует принять для кластера, чтобы точки принад OPTICS (acronyme de ordering points to identify the clustering structure en anglais) est un algorithme de partitionnement de données. Il a été proposé par Mihael Ankerst, Markus M. Breunig, and Jörg Sander. Il s'agit d'un algorithme basé densité dont le principe est similaire à DBSCAN mais élimine son principal défaut : l'impossibilité de détecter des partitions de densités différentes.
foaf:depiction
n21:OPTICS.svg
dcterms:subject
dbc:Cluster_analysis_algorithms
dbo:wikiPageID
22509799
dbo:wikiPageRevisionID
1116998648
dbo:wikiPageWikiLink
dbr:Priority_queue dbr:Correlation_clustering dbr:Hierarchical_clustering dbc:Cluster_analysis_algorithms dbr:Spatial_index n16:OPTICS.svg dbr:Single-linkage_clustering dbr:Cluster_analysis dbr:K-d_tree dbr:Spanning_tree dbr:Hans-Peter_Kriegel dbr:ELKI dbr:Anomaly_detection dbr:DBSCAN dbr:Local_outlier_factor dbr:Dendrogram dbr:Scikit-learn dbr:Weka_(machine_learning) dbr:Heap_(data_structure) dbr:Fixed-radius_near_neighbors dbr:Subspace_clustering dbr:GNU_R
dbo:wikiPageExternalLink
n7: n20:
owl:sameAs
n9:utEX dbpedia-fr:OPTICS dbpedia-zh:OPTICS wikidata:Q2007847 freebase:m.05zxvdx dbpedia-uk:OPTICS yago-res:OPTICS_algorithm dbpedia-de:OPTICS dbpedia-ru:Алгоритм_кластеризации_OPTICS
dbp:wikiPageUsesTemplate
dbt:Mvar dbt:Reflist dbt:Not_a_typo dbt:Machine_learning dbt:Short_description
dbo:thumbnail
n21:OPTICS.svg?width=300
dbo:abstract
OPTICS (englisch Ordering Points To Identify the Clustering Structure ‚[etwa] Punkte ordnen um die Clusterstruktur zu identifizieren‘) ist ein dichtebasierter Algorithmus zur Clusteranalyse. Er wurde von Mihael Ankerst, Markus M. Breunig, Hans-Peter Kriegel und entwickelt. Das Grundprinzip des Algorithmus entstammt DBSCAN, jedoch löst der Algorithmus eine wichtige Schwäche des DBSCAN-Algorithmus: im Gegensatz zu diesem kann er Cluster unterschiedlicher Dichte erkennen. Gleichzeitig eliminiert er (weitgehend) den -Parameter des DBSCAN-Algorithmus. Hierzu ordnet OPTICS die Punkte des Datensatzes linear so, dass räumlich benachbarte Punkte in dieser Ordnung nahe aufeinander folgen. Gleichzeitig wird die sogenannte „Erreichbarkeitsdistanz“ notiert. Zeichnet man diese Erreichbarkeitsdistanzen in ein Diagramm, so bilden Cluster „Täler“ und können so identifiziert werden. Ordering points to identify the clustering structure (OPTICS) is an algorithm for finding density-based clusters in spatial data. It was presented by Mihael Ankerst, Markus M. Breunig, Hans-Peter Kriegel and Jörg Sander.Its basic idea is similar to DBSCAN, but it addresses one of DBSCAN's major weaknesses: the problem of detecting meaningful clusters in data of varying density. To do so, the points of the database are (linearly) ordered such that spatially closest points become neighbors in the ordering. Additionally, a special distance is stored for each point that represents the density that must be accepted for a cluster so that both points belong to the same cluster. This is represented as a dendrogram. OPTICS (acronyme de ordering points to identify the clustering structure en anglais) est un algorithme de partitionnement de données. Il a été proposé par Mihael Ankerst, Markus M. Breunig, and Jörg Sander. Il s'agit d'un algorithme basé densité dont le principe est similaire à DBSCAN mais élimine son principal défaut : l'impossibilité de détecter des partitions de densités différentes. OPTICS (англ. Ordering points to identify the clustering structure) — алгоритм знаходження кластерів у просторових даних на основі щільності. Він був представлений Міхаелем Анкерстом, Маркусом Брюінгом, Хансом Крігелем і Йоргом Сандером. Його основна ідея схожа на DBSCAN, але він вирішує одну з основних слабостей DBSCAN: проблему визначення значущих кластерів в наборах даних різної щільності. Для цього об'єкти бази даних повинні бути впорядковані(за лін. час) так, що об'єкти, які просторово близькі, будуть сусідами в упорядкуванні. Крім того, особлива відстань зберігається для кожної точки, яка являє собою щільність, яка повинна бути прийнятна для кластера, щоб мати обидві сусідні точки належали до тієї ж групи. Як це представлено в дендрограмі. Упорядочение точек для обнаружения кластерной структуры (англ. Ordering points to identify the clustering structure, OPTICS) — это алгоритм нахождения кластеров в пространственных данных на основе плотности. Алгоритм презентовали Михаэл Анкерст, Маркус М. Бройниг, Ганс-Петер Кригель и Ёрг Сандер.Основная идея алгоритма похожа на DBSCAN, но алгоритм предназначен для избавления от одной из главных слабостей алгоритма DBSCAN — проблемы обнаружения содержательных кластеров в данных, имеющих различные плотности. Чтобы это сделать, точки базы данных (линейно) упорядочиваются так, что пространственно близкие точки становятся соседними в упорядочении. Кроме того, для каждой точки запоминается специальное расстояние, представляющее плотность, которую следует принять для кластера, чтобы точки принадлежали одному кластеру. Это представлено в виде дендрограммы. OPTICS（英語：Ordering points to identify the clustering structure）是由Mihael Ankerst，Markus M. Breunig，Hans-Peter Kriegel和Jörg Sander提出的基于密度的聚类分析算法。OPTICS并不依赖全局变量来确定聚类，而是将空间上最接近的点相邻排列，以得到数据集合中的对象的线性排序。排序后生成的序列存储了与相邻点之间的距离，并最终生成了一个 dendrogram 。OPTICS算法的思路与DBSCAN类似，但是解决了DBSCAN的一个主要弱点，即如何在密度变化的数据中取得有效的聚类。同时 OPTICS也避免了多数聚类算法中对输入参数敏感的问题。
gold:hypernym
dbr:Algorithm
prov:wasDerivedFrom
wikipedia-en:OPTICS_algorithm?oldid=1116998648&ns=0
dbo:wikiPageLength
15764
foaf:isPrimaryTopicOf
wikipedia-en:OPTICS_algorithm
Subject Item
dbr:Hierarchical_clustering
dbo:wikiPageWikiLink
dbr:OPTICS_algorithm
Subject Item
dbr:Automatic_clustering_algorithms
dbo:wikiPageWikiLink
dbr:OPTICS_algorithm
Subject Item
dbr:Unsupervised_learning
dbo:wikiPageWikiLink
dbr:OPTICS_algorithm
Subject Item
dbr:Outline_of_machine_learning
dbo:wikiPageWikiLink
dbr:OPTICS_algorithm
Subject Item
dbr:OPTICS
dbo:wikiPageWikiLink
dbr:OPTICS_algorithm
dbo:wikiPageRedirects
dbr:OPTICS_algorithm
Subject Item
wikipedia-en:OPTICS_algorithm
foaf:primaryTopic
dbr:OPTICS_algorithm