Treffer: Carpathian Journal of Electronic and Computer Engineering / R Libraries {dendextend} and {magrittr} and Clustering Package scipy.cluster of Python For Modelling Diagrams of Dendrogram Trees

Title:
Carpathian Journal of Electronic and Computer Engineering / R Libraries {dendextend} and {magrittr} and Clustering Package scipy.cluster of Python For Modelling Diagrams of Dendrogram Trees
Publisher Information:
Sciendo
Publication Year:
2020
Collection:
ePLUS - Open Access Publikationsserver der Universität Salzburg
Subject Geographic:
Document Type:
Fachzeitschrift article in journal/newspaper
File Description:
text/html
Language:
English
ISSN:
1844-9689
Relation:
vignette : https://eplus.uni-salzburg.at/titlepage/urn/urn:nbn:at:at-ubs:3-30209/128; local:99147730236803331; system:AC16979380
DOI:
10.2478/cjece-2020-0002
Rights:
CC BY-NC-ND 4.0
Accession Number:
edsbas.5B9F26
Database:
BASE

Weitere Informationen

Der Artikel präsentiert einen Vergleich der beiden Sprachen Python und R im Zusammenhang mit den Klassifizierungstools und zeigt die Unterschiede in ihrer Syntax und grafischen Ausgabe auf. Es zeigt die Funktionalität der R- und Python-Pakete {dendextend} und scipy.cluster als effektive Werkzeuge für die Dendrogrammmodellierung durch die Algorithmen zum Sortieren und Ranking von Datensätzen. Die Programmiersprachen R und Python wurden anhand eines Beispieldatensatzes einschließlich meeresgeologischer Messungen getestet. Ziel der Arbeit ist es, herauszufinden, wie sich die Bathymetriedaten entlang der 25 digitalisierten Bathymetrieprofile im Marianengraben verändern. Die Methodik umfasst die Durchführung einer hierarchischen Clusteranalyse mit Dendrogrammen und eine gezeichnete Clusterkarte mit Randdendrogrammen. Zu den statistischen Bibliotheken gehören Matplotlib, SciPy, NumPy, Pandas von Python und {dendextend}, {pvclust}, {magrittr} von R. Die Dendrogramme wurden anhand der modellsimulierten Cluster der bathymetrischen Bereiche verglichen. Die Ergebnisse zeigen drei verschiedene Profilgruppen, sortiert nach Höhenbereichen, wobei die maximalen Tiefen in einer Profilgruppe 19–21 ermittelt wurden. Die Dendrogramm-Visualisierung in einer Clusteranalyse demonstriert die effektive Darstellung der Datensortierung, -gruppierung und -klassifizierung durch die Algorithmen des maschinellen Lernens. Die in dieser Studie vorgestellten Programmiercodes ermöglichen das Sortieren eines Datensatzes in einer ähnlichen Forschung mit dem Ziel, Daten basierend auf der Ähnlichkeit von Attributen zu gruppieren. Eine effektive Visualisierung durch Dendrogramme ist ein nützliches Modellierungswerkzeug für das Geodatenmanagement, bei dem ein Datenranking erforderlich ist. Das Zeichnen von Dendrogrammen durch R im Vergleich zu Python zeigte funktionale und ausgefeilte Algorithmen, eine verfeinerte Designkontrolle und eine feine grafische Datenausgabe. Der interdisziplinäre Charakter dieser Arbeit besteht in der Anwendung der ...