In recent years several methods for

In recent years several methods for the analysis of nonlinear data sets have
been proposed, including Locally Linear Embedding (LLE) [1]. LLE has already
been successfully applied to many problems, including face recognition [2], pre-
diction of membrane protein types [3] and the analysis of micro array data [4].
The algorithm assumes linearity in the local area centered on each data point.
Each area is mathematically characterized by a set of coecients (weights) which
correlate the particular data point with its n nearest neighbors. The aggrega-
tion of all areas can be intuitively thought as an assemblage of linear patches
which approximates the nonlinear data structure. The high-dimensional data is
then projected into a lower-dimensional space while preserving the coecients
between neighboring data points.

ผลลัพธ์ (ไทย) 1:

ในปัจจุบัน มีหลายวิธีในการวิเคราะห์ชุดข้อมูลเชิงเส้นการเสนอ รวมทั้งท้องถิ่นเชิงเส้นฝัง (LLE) [1] LLE มีอยู่แล้วการนำไปใช้กับปัญหามากมาย รวมถึงการจดจำใบหน้า [2], ก่อนถ้อยของเมมเบรนโปรตีนชนิด [3] และการวิเคราะห์ข้อมูลอาร์เรย์ขนาดเล็ก [4]อัลกอริทึมการอนุมานเชิงเส้นในพื้นที่ศูนย์กลางในแต่ละจุดข้อมูลทางคณิตศาสตร์มีลักษณะแต่ละพื้นที่ โดยชุดของ coe cients (น้ำหนัก) ซึ่งเชื่อมโยงความสัมพันธ์ข้อมูลเฉพาะจุดกับ n ที่ใกล้บ้าน Aggrega-ทางการค้าของพื้นที่ทั้งหมดสามารถจะคิดว่า เป็นการผสมผสานของโปรแกรมเชิงเส้นได้อย่างง่ายดายซึ่งสใกล้เคียงโครงสร้างข้อมูลเชิงเส้น ข้อมูลมิติสูงฉายลงในพื้นที่ล่างมิติรักษา coe cientsระหว่างจุดข้อมูลที่ใกล้เคียงกัน

ผลลัพธ์ (ไทย) 2:

ในปีที่ผ่านมาหลายวิธีในการวิเคราะห์ชุดข้อมูลไม่เชิงเส้นได้
รับการเสนอชื่อรวมทั้งในพื้นที่เชิงเส้นฝัง (LLE) [1] LLE มีอยู่แล้ว
ถูกนำมาใช้ประสบความสำเร็จในการแก้ปัญหาจำนวนมากรวมทั้งการจดจำใบหน้า [2], ก่อน
พจน์ประเภทโปรตีนเมมเบรน [3] และการวิเคราะห์ข้อมูลอาร์เรย์ไมโคร [4].
อัลกอริทึมถือว่าเป็นเชิงเส้นในพื้นที่ศูนย์กลางในข้อมูลแต่ละ จุด.
แต่ละพื้นที่เป็นลักษณะทางคณิตศาสตร์โดยชุด Coe หรือไม่? cients (น้ำหนัก) ซึ่ง
มีความสัมพันธ์จุดข้อมูลโดยเฉพาะอย่างยิ่งกับประเทศเพื่อนบ้านที่ใกล้ที่สุดของ n aggrega-
การของทุกพื้นที่อาจจะคิดว่าการชุมนุมอย่างสังหรณ์ใจเป็นของแพทช์เชิงเส้น
ซึ่งใกล้เคียงกับโครงสร้างข้อมูลแบบไม่เชิงเส้น ข้อมูลมิติสูงเป็น
ที่คาดการณ์ไว้แล้วลงในพื้นที่ที่ต่ำกว่ามิติในขณะที่รักษา Coe หรือไม่ cients
ระหว่างที่อยู่ใกล้เคียงจุดข้อมูล

ผลลัพธ์ (ไทย) 3:

ในปีล่าสุดหลายวิธีสำหรับการวิเคราะห์แบบไม่เชิงเส้นของชุดข้อมูลมีได้รับการเสนอรวมทั้งในประเทศเชิงเส้นการฝังตัว ( ที่ไหน ) [ 1 ] ที่ไหนมีแล้วถูกใช้เรียบร้อยแล้วปัญหามากมายรวมทั้งใบหน้า [ 2 ] ก่อนคำพูดของเมมเบรนโปรตีนชนิด [ 3 ] และการวิเคราะห์ไมโครอาร์เรย์ข้อมูล [ 4 ]ขั้นตอนวิธีการอนุมานเชิงเส้นในพื้นที่ศูนย์กลางในแต่ละจุดข้อมูลแต่ละพื้นที่มีลักษณะทางคณิตศาสตร์ โดยชุดของ coecients ( น้ำหนัก ) ซึ่งความสัมพันธ์กับจุดข้อมูลเฉพาะของ N เพื่อนบ้านที่ใกล้ที่สุด . การ aggrega -ของพื้นที่ทั้งหมดสามารถหยั่งรู้ว่าเป็นวงศ์ของแพทช์เชิงเส้นซึ่งมีข้อมูลเชิงโครงสร้าง ข้อมูล - สูงขนาดเป็นแล้วฉายเป็นลดมิติในขณะที่รักษา coecientsระหว่างเพื่อนบ้านจุดข้อมูล