เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| การหาค่าเฉลี่ยแบบศูนย์กลางของ DTW (DTW Barycenter Averaging)× | การจัดกลุ่มแบบลำดับชั้น× | |
|---|---|---|
| สาขาวิชา≠ | อนุกรมเวลา | การเรียนรู้ของเครื่อง |
| ตระกูล≠ | Process / pipeline | Machine learning |
| ปีกำเนิด≠ | 2011 | 1963 |
| ผู้ริเริ่ม≠ | François Petitjean | Ward, J. H. |
| ประเภท≠ | Distance-based time-series aggregation | Unsupervised clustering (agglomerative) |
| แหล่งต้นตำรับ≠ | Salvador, S., & Chan, P. (2004). FastDTW: Toward accurate dynamic time warping in linear time and space. Intelligent Data Analysis, 11(5), 561–580. link ↗ | Ward, J. H. (1963). Hierarchical Grouping to Optimize an Objective Function. Journal of the American Statistical Association, 58(301), 236–244. DOI ↗ |
| ชื่อเรียกอื่น≠ | DBA, DTW-BA, Barycenter Averaging | Hiyerarşik Kümeleme, hiyerarşik kümeleme, agglomerative clustering, hierarchical agglomerative clustering |
| ที่เกี่ยวข้อง | 4 | 4 |
| สรุป≠ | DTW Barycenter Averaging (DBA) is a method for computing the average or representative sequence of a set of time series that respects temporal warping and elastic distance. Unlike Euclidean averaging which requires point-wise alignment, DBA minimizes the sum of Dynamic Time Warping (DTW) distances, producing a meaningful average for sequences with flexible temporal alignments. Introduced by Petitjean and colleagues in 2011, it is widely used in time-series clustering and summarization. | Hierarchical clustering is an unsupervised method that groups observations into nested clusters and draws the result as a dendrogram, so the number of clusters need not be fixed in advance. Its agglomerative form rests on the objective-function grouping criterion introduced by Joe Ward in 1963. |
| ScholarGateชุดข้อมูล ↗ |
|
|