دانلود و نمایش مقالات مرتبط با Categorical data::صفحه 1
بلافاصله پس از پرداخت دانلود کنید

با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد). 

نتیجه جستجو - Categorical data

تعداد مقالات یافته شده: 3
ردیف عنوان نوع
1 PUMA: Parallel subspace clustering of categorical data using multi-attribute weights
PUMA: خوشه بندی موازی زیر فضای داده های دسته ای با استفاده از وزنهای چند صفته-2019
There are two main reasons why traditional clustering schemes are incompetent for high-dimensional categorical data. First, traditional methods usually represent each cluster by all dimensions without dif- ference; and second, traditional clustering methods only rely on an individual dimension of projection as an attribute’s weight ignoring relevance among attributes. We solve these two problems by a MapReduce- based subspace clustering algorithm (called PUMA ) using multi-attribute weights. The attribute subspaces are constructed in our PUMA by calculating an attribute-value weight based on the co-occurrence prob- ability of attribute values among different dimensions. PUMA obtains sub-clusters corresponding to re- spective attribute subspaces from each computing node in parallel. Lastly, PUMA measures various scale clusters by applying the hierarchical clustering method to iteratively merge sub-clusters. We implement PUMA on a 24-node Hadoop cluster. Experimental results reveal that using multi-attribute weights with subspace clustering can achieve better clustering accuracy on both synthetic and real-world high dimen- sional datasets. Experimental results also show that PUMA achieves high performance in terms of exten- sibility, scalability and the nearly linear speedup with respect to number of nodes. Additionally, exper- imental results demonstrate that PUMA is reasonable, effective, and practical to expert systems such as knowledge acquisition, word sense disambiguation, automatic abstracting and recommender systems.
Keywords: Parallel subspace clustering | Multi-attribute weights | High dimension | Categorical data | MapReduce
مقاله انگلیسی
2 Feature grouping-based parallel outlier mining of categorical data using spark
کاوش موازی غیرمترقبه موازی مبتنی بر گروه بندی ویژگی با استفاده از spark-2019
This paper proposes a feature-grouping based parallel outlier mining method called POS for high-dimensional categorical datasets. Existing methods of outlier mining are inadequate to deal with datasets which are so voluminous and complex. We solve this problem by proposing a parallel framework using the Spark platform for categorical and mass data. POS is composed of two modules, which are parallel feature grouping, and parallel outlier mining. Additionally, Vertical transformation is utilized to improve the performance of POS . We implement our POS on the Spark platform and evaluate it using synthetic and real- world datasets. Our experimental results confirm that POS is a promising and practical parallel algorithm to mine outliers in high-dimensional categorical datasets because POS achieves high performance in terms of extensibility and scalability.
Keywords: Parallel outlier mining | High-dimensional categorical data | Feature grouping | Feature relation | Spark
مقاله انگلیسی
3 تاثیر رضایتمندی بر حفظ مشتری در بازار تلفن همراه
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 11 - تعداد صفحات فایل doc فارسی: 21
این مقاله به بررسی عوامل تعیین کننده رضایتمندی مشتری و وفاداری مشتری در بازار تلفن همراه کشور پرو می پردازد. برآوردهای منطق چند جمله یا به اختصار جی.اس.ایی.ام بر مبنای نظرسنجی از 1259 مشتری نشان می دهند که چگونه عوامل تعیین کننده رضایتمندی مشتری را می توان ارزیابی نمود هنگامی که رضایتمندی از طریق داده های گروه بندی مرتب شده سنجیده می شود. نتایج تایید می کنند که رضایتمندی مشتری در بازار تلفن همراه تاثیر قوی بر وفاداری مشتری بر جای می گذاردو در عوض وفاداری عامل تعیین کننده مهم حفظ مشتری است. این مقاله بر خلاف نوشته های قبلی، تاثیر متمایز عوامل متعد را بر گروه های رضایتمندی مشتری مثبت و منفی شناسایی نمود. در واقع، در حالی که نتایج نشان می دهند کیفیت ارزیابی خدمات انجام شده از جانب مشتریان تاثیر عمده بر گروه های رضایتمندی مشتری مثبت و منفی دارد، ارزیابی دیگر ویژگی های خدماتی از جمله مراقبت از مشتری، اطلاعات تعرفه ها و برنامه ها و شفافیت صورتحساب تاثیر رضایتمندی برجسته ای بر گروه های مثبت رضایتمندی مشتری دارد. نتایج نامتقارن مشابهی با توجه به دیگر عوامل تعیین کننده اقتصادی، اجتماعی اقتصادی و جغرافیایی مبنی بر تصمیمات مشتری یافت شد. همچنین، تاثیر قابل قیاس در رابطه بین رضایتمندی مشتری و وفاداری مشاهده شد که به موجب آن فقط ارزیابی های رضایتمندی مثبت به شرح وفادارای کاربران کمک می کند. سرانجام اینکه نتایج نشان می دهد در حالی که رضایتمندی را می توان علت قدرتمند حفظ مشتری در نظر گرفت، موانع تغییر دهنده مانع از آن نشد که مشتریان به گزینه های دیگر روی آورندکه حاکی از آن است اصلاحات مقررات حامی رقابت اجرا شده در پرو بر کاهش این موانع رقابتی در بازارهای موبایل کمک نمود.
کلید واژه ها: رضایتمندی مشتری | تلفن های همراه | وفاداری مشتری | حفظ مشتری
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 9089 :::::::: بازدید دیروز: 0 :::::::: بازدید کل: 9089 :::::::: افراد آنلاین: 73