and data mining. Most of them direc

and data mining. Most of them directly concatenate
different feature vectors to produce a high-dimensional
vector and then perform dimension reduction. However
the above mentioned method does not support unlabeled
data. This problem can be overcome by using a method
like semi-MSL which supports both labeled and unlabeled
data.

ผลลัพธ์ (ไทย) 1:

และการทำเหมืองข้อมูล ส่วนใหญ่จะเชื่อมโดยตรงเวกเตอร์ของคุณลักษณะที่แตกต่างกันในการผลิตสูงมิติเวกเตอร์ และจากนั้น ทำการลดขนาด อย่างไรก็ตามไม่สนับสนุนวิธีการดังกล่าวข้างต้นไม่มีป้ายชื่อข้อมูล ปัญหานี้สามารถเอาชนะ โดยใช้วิธีการเช่นกึ่ง MSL ซึ่งสนับสนุนทั้งป้าย และไม่มีป้ายชื่อข้อมูล

ผลลัพธ์ (ไทย) 2:

และการทำเหมืองข้อมูล ส่วนใหญ่ของพวกเขาโดยตรง concatenate
เวกเตอร์คุณลักษณะที่แตกต่างกันในการผลิตสูงมิติ
เวกเตอร์และจากนั้นดำเนินการลดมิติ แต่
วิธีการดังกล่าวข้างต้นไม่สนับสนุนที่ไม่มีป้ายกำกับ
ข้อมูล ปัญหานี้สามารถเอาชนะโดยการใช้วิธีการ
เช่นกึ่ง MSL-ซึ่งสนับสนุนการติดป้ายชื่อและที่ไม่มีป้ายกำกับทั้ง
ข้อมูล

ผลลัพธ์ (ไทย) 3:

และการทำเหมืองข้อมูล ส่วนใหญ่ของพวกเขาโดยตรง concatenateคุณลักษณะที่แตกต่างกันในการผลิตสูง - มิติเวกเตอร์เวกเตอร์แล้วดำเนินการลดขนาด อย่างไรก็ตามวิธีการดังกล่าวข้างต้นไม่สนับสนุนให้ใกล้เคียงข้อมูล ปัญหานี้สามารถแก้ไขได้โดยใช้วิธีเหมือนกึ่งรทซึ่งสนับสนุนทั้งข้อความ และ ใกล้เคียงข้อมูล