For a proper neighborhood size k, w

For a proper neighborhood size k, we set its value as half of the average cluster
size k = n/(2c), where n is the number of instances in a dataset and c is the number
of clusters. We assume that this is a safe choice for each instance to assemble its
true local density. In Section 3.6.5 we will further test the algorithm sensitivity to
k in the range of [10%, 100%] of n
c with 10% as step size to verify the rationality of
k = 50%.
In Section 3.4, we already discussed the effect of α on LDAT. In our general
experiments, we use α = 1 by default but we will also test RWC+LDAT and
AHK+LDAT with different value of α ∈ [0, 2] in Section 3.6.6.
For DBSCAN experiments, we set Eps, the neighborhood radius, in the same
way as we set σq. We assign minP ts, minimal number of instances considered as
a cluster, in the range of [10, min(n/c, 300)], and only record the best result among
them.

ผลลัพธ์ (ไทย) 1:

เป็นย่านที่เหมาะสมขนาด k เราตั้งค่าเป็นครึ่งหนึ่งของคลัสเตอร์โดยเฉลี่ยขนาด k = n/(2c), n คือ จำนวนของอินสแตนซ์ในชุดข้อมูล และ c คือ เลขที่หมู่ที่ เราสมมติว่า เป็นทางเลือกที่ปลอดภัยสำหรับแต่ละอินสแตนซ์ประกอบของความหนาแน่นภายในที่แท้จริง ในส่วน 3.6.5 เราจะไปทดสอบความไวของอัลกอริทึมการk ในช่วง [10%, 100%] ของ nc 10% เป็นขนาดขั้นตอนการตรวจสอบเหตุผลของk = 50%ในส่วน 3.4 เราได้กล่าวถึงผลของαใน LDAT โดยทั่วไปของเราทดลอง เราใช้α = 1 โดยค่าเริ่มต้น แต่เราจะยังทดสอบ RWC + LDAT และAHK + LDAT α∈ [0, 2] ในส่วน 3.6.6 ค่าแตกต่างกันการทดลอง DBSCAN เราตั้ง Eps รัศมีย่าน เหมือนทางเราตั้ง σq เรากำหนดให้ minP ts กรณีที่ถือว่าเป็นจำนวนที่น้อยที่สุดคลัสเตอร์ ในช่วงของ [10 นาที (n/c, 300)], และเพียงบันทึกผลดีที่สุดในหมู่พวกเขา

ผลลัพธ์ (ไทย) 2:

สำหรับขนาดเขต K ที่เหมาะสมเราตั้งความคุ้มค่าเป็นครึ่งหนึ่งของค่าเฉลี่ยของกลุ่ม
ขนาด K = n / (2C) ที่ n คือจำนวนของอินสแตนซ์ในชุดข้อมูลและ C คือจำนวน
ของกลุ่ม เราคิดว่านี่เป็นทางเลือกที่ปลอดภัยเช่นกันในการประกอบของ
ความหนาแน่นของท้องถิ่นที่แท้จริง ในมาตรา 3.6.5 เรายังจะทดสอบความไวขั้นตอนวิธี
k ในช่วงของ [10%, 100%] ของ n
C 10% ขนาดขั้นตอนในการตรวจสอบความมีเหตุผลของ
K = 50%.
ในมาตรา 3.4 เรามีอยู่แล้ว กล่าวถึงผลกระทบของαใน LDAT โดยทั่วไปเรา
ทดลองเราใช้α = 1 โดยค่าเริ่มต้น แต่เรายังจะทดสอบ RWC + LDAT และ
AHK + LDAT มีค่าแตกต่างกันของα∈ [0, 2] ในมาตรา 3.6.6.
สำหรับการทดสอบ DBSCAN เราตั้งอีพีเอสที่ รัศมีพื้นที่ใกล้เคียงในเดียวกัน
วิธีที่เราตั้งσq เรากำหนด minP TS จำนวนน้อยที่สุดของกรณีการพิจารณาเป็น
คลัสเตอร์ในช่วงของ [10 นาที (N / C, 300)] และมีเพียงบันทึกผลที่ดีที่สุดในหมู่
พวกเขา

ผลลัพธ์ (ไทย) 3:

สำหรับเพื่อนบ้านที่เหมาะสมขนาด K เราเซ็ตค่าเป็นครึ่งหนึ่งของกลุ่มเฉลี่ยขนาด k = n / ( 2C ) โดยที่ n คือหมายเลขของอินสแตนซ์ในชุดข้อมูลและ C เป็นหมายเลขของกลุ่ม เราสันนิษฐานได้ว่า นี้เป็นทางเลือกที่ปลอดภัยสำหรับแต่ละตัวอย่างประกอบของความหนาแน่นของพื้นที่จริง ในส่วน 3.6.5 เราต่อไปจะทดสอบความไวขั้นตอนวิธีK ในช่วง [ 10% ] N 100 %C 10% เป็นขั้นตอนในการตรวจสอบความเที่ยงตรงของขนาดK = 50%ในส่วนอื่นๆ ที่เรากล่าวแล้วผลของαบน ldat . โดยทั่วไปของเราการทดลองเราใช้α = 1 โดยค่าเริ่มต้น แต่เราก็ยังทดสอบ ldat ทั้ง + และ+ ldat อักด้วยค่าต่าง ๆ ของα∈ [ 0 , 2 ] ในส่วน 3.6.6 .สำหรับ dbscan การทดลอง เราตั้งค่า EPS ในละแวกรัศมี เหมือนเดิมตามที่เราตั้งσคิวเรากำหนด minp Ts จำนวนน้อยที่สุดของอินสแตนซ์ที่ถือว่าเป็นกลุ่มในช่วง [ 10 นาที ( N / C 300 ) ] , และบันทึกผลที่ดีที่สุดของพวกเขา