In the past two decades, researcher

In the past two decades, researchers have been focused on
finding meaningful subspaces such that the low dimensional
representation of high dimensional data can facilitate better classification
performance. For instance, principal component analysis
(PCA) [1] aims to find a subspace that preserves well the secondorder
statistics and captures maximal variability of the data, but
does not take into account class separation for the purpose of
classification. Discriminant analysis methods such as Fisher's linear
discriminant analysis (LDA) [2] and unsupervised discriminant
projection (UDP) [3], on the other hand, seek to obtain subspaces
where similarity criteria are enhanced, especially when the
Gaussianity assumption (as in the LDA) does not hold for the
training and testing data. Manifold approaches such as Isomap [4],
locally linear embedding (LLE) [5], and Laplacian eigenmap (LE) [6]

ผลลัพธ์ (ไทย) 1:

ในสองทศวรรษ นักวิจัยมีการเน้นค้นหา subspaces หมายให้ต่ำหลายมิติแสดงข้อมูลมิติสูงสามารถอำนวยความสะดวกประเภทดีประสิทธิภาพของ การวิเคราะห์ส่วนประกอบหลักเช่น(PCA) [1] มีวัตถุประสงค์เพื่อค้นหา subspace ที่รักษาดี secondorderสถิติและการจับสูงสุดสำหรับความผันผวนของข้อมูล แต่เป็นบัญชีแยกประเภทเพื่อจัดประเภทการ วิธีการวิเคราะห์ discriminant เช่นฟิชเชอร์ของเส้นการวิเคราะห์ discriminant (LDA) [2] และ unsupervised discriminantฉาย (UDP) [3], ในทางกลับกัน ขอรับ subspacesซึ่งได้รับเกณฑ์ความคล้ายคลึงกัน โดยเฉพาะอย่างยิ่งเมื่อการGaussianity อัสสัมชัญ (ใน LDA) ไม่ค้างไว้การฝึกอบรม และการทดสอบข้อมูล ใกล้มากมายเช่น Isomap [4],เครื่องเส้นฝัง (LLE) [5], และ Laplacian eigenmap (เลอ) [6]

ผลลัพธ์ (ไทย) 2:

ในสองทศวรรษที่ผ่านมานักวิจัยได้รับการมุ่งเน้นไปที่การหา subspaces ที่มีความหมายเช่นว่ามิติที่ต่ำเป็นตัวแทนของข้อมูลสูงมิติสามารถอำนวยความสะดวกการจัดหมวดหมู่ที่ดีกว่าผลการดำเนินงาน ยกตัวอย่างเช่นการวิเคราะห์องค์ประกอบหลัก(PCA) [1] มีวัตถุประสงค์เพื่อหาสเปซที่เก็บรักษาอย่างดี secondorder ที่สถิติและจับแปรปรวนสูงสุดของข้อมูลแต่ไม่ได้คำนึงถึงการแยกระดับการบัญชีสำหรับวัตถุประสงค์ของการจัดหมวดหมู่ วิธีการวิเคราะห์จำแนกเช่นเชิงเส้นฟิชเชอร์วิเคราะห์จำแนก (LDA) [2] และจำแนกใกล้ชิดฉาย(UDP) [3] ในมืออื่น ๆ ที่พยายามที่จะได้รับ subspaces ที่เกณฑ์ที่คล้ายคลึงกันจะเพิ่มขึ้นโดยเฉพาะอย่างยิ่งเมื่อสมมติฐาน Gaussianity (ใน LDA) ไม่ถือสำหรับการฝึกอบรมและข้อมูลการทดสอบ วิธีการต่าง ๆ นานาเช่น Isomap [4], เชิงเส้นในประเทศการฝัง (LLE) [5] และ Laplacian eigenmap (LE) [6]

ผลลัพธ์ (ไทย) 3:

ในช่วงสองทศวรรษที่ผ่านมานักวิจัยได้มุ่งเน้นการหาความหมาย subspaces ที่

แสดงมิติมิติสูงต่ำของข้อมูลสามารถอำนวยความสะดวกในการแสดงหมวดหมู่
ดีกว่า ตัวอย่าง การวิเคราะห์องค์ประกอบหลัก ( PCA )
[ 1 ] มีเป้าหมายที่จะค้นหาได้ว่ารักษาดี secondorder
สถิติและความแปรปรวนของข้อมูลได้อย่างสูงสุด แต่
ไม่ได้ใช้ในชั้นเรียนแยกบัญชีเพื่อ
การจำแนก วิธีการวิเคราะห์จำแนกประเภท เช่น ปลาเส้น
จำแนกการวิเคราะห์ ( lda ) [ 2 ] และ unsupervised จำแนก
ฉาย ( UDP ) [ 3 ] , บนมืออื่น ๆที่แสวงหาเพื่อให้ได้ subspaces
ที่เกณฑ์ความเหมือนเพิ่มขึ้น โดยเฉพาะอย่างยิ่งเมื่อ
gaussianity สมมติฐาน ( เช่นใน lda ) ไม่ถือ
การฝึกอบรมและทดสอบข้อมูล วิธีการมากมายเช่น isomap [ 4 ] ,
ในท้องถิ่นเชิงเส้นการฝังตัว ( ที่ไหน ) [ 5 ] และ Laplacian eigenmap ( Le ) [ 6 ]