Databases Reference
In-Depth Information
schreibt Ähnlichkeiten zwischen Änderungen, die Toleranzschwierigkeiten zwischen Stoß-
fänger und Scheinwerfer behandeln. Die Berechnung unter Verwendung von
k = 15
führte zu
zwei neuen Clustern. Das erste behandelt Änderungen am Himmel aufgrund geänderter De-
signanforderungen und das zweite beinhaltet Probleme hinsichtlich der Schalldämmung der
Lautsprecher in den Türen.
Der DBSCAN-Algorithmus benötigt a priori keine Definition der Anzahl der Cluster
k
. Benö-
tigte Parameter sind
Epsilon
und
MinPts
, welche die Größe der Nachbarschaft sowie die mi-
nimale Anzahl der Punkte zur Bildung eines Clusters angeben. Die Berechnungen wurden für
die Werte
Epsilon = 1
und
Epsilon = 2
verwendet, wobei jeweils zwischen den Werten drei
und fünf für die minimale Anzahl von Punkten (
MinPts
) unterschieden wurde.
Support Vector Clustering als letzte Methode benötigt zunächst die Definition der minimalen
Anzahl von Punkten in jedem Cluster. Dazu wurden für die Berechnungen die
MinPts
-Werte
zwei und fünf gewählt. Beide liefern ähnliche Ergebnisse, welche in der folgenden Tabelle
dargestellt sind. SVC identifiziert lediglich ein Cluster mit Gemeinsamkeiten bezüglich des
Inhalts. Alle Ergebnisse der jeweiligen Cluster-Methoden sind in der Tabelle 5-8 abgebildet.
