The wide use of nearest neighbor an

The wide use of nearest neighbor and hierarchical methods (e.g., decision
tree and agglomerative hierarchical clustering) in both
classification and clustering would be able to support this
viewpoint. In addition, both classification and clustering
have to attack similar issues (e.g., feature selection, scalability,
and missing value), and many solutions to the issues
can be used in both tasks without too much modification.
For example, when computing the goodness of an attribute
for classification or clustering, the difference is that the former
usually only considers class information while the latter
will take all attribute information into account. As a demonstration,
Fig. 3 of section 4 shows that a classification tree
(or decision tree) using the class information could be the
same as a clustering tree (or monothetic divisive tree, in numerical
taxonomy literature) without class information.

ผลลัพธ์ (ไทย) 1:

การใช้กว้างของเพื่อนบ้านที่ใกล้ที่สุดและวิธีการตามลำดับชั้น (เช่น ตัดสินใจต้นไม้และคลัสเตอร์ลำดับ agglomerative) ทั้งในจัดประเภทและคลัสเตอร์จะสนับสนุนงานนี้จุดชมวิว นอกจากนี้ การจัดประเภทและคลัสเตอร์มีปัญหาคล้ายกัน (เช่น เลือกลักษณะ ขนาด การโจมตีและค่าที่หายไป), และวิธีการแก้ไขปัญหามากมายสามารถใช้ในงานทั้งสองโดยไม่ต้องแก้ไขมากเกินไปตัวอย่าง เมื่อคำนวณความกตัญญูของแอตทริบิวต์สำหรับการจัดประเภทหรือคลัสเตอร์ ความแตกต่างคืออดีตโดยปกติจะพิจารณาข้อมูลคลาสขณะหลังเท่านั้นจะใช้แอตทริบิวต์ข้อมูลทั้งหมดเข้าบัญชี เป็นการสาธิตFig. 3 ส่วน 4 แสดงให้เห็นว่าต้นไม้ประเภท(หรือต้นไม้การตัดสินใจ) อาจจะใช้ข้อมูลชั้นเหมือนกับแผนภูมิระบบคลัสเตอร์ (หรือ monothetic divisive ต้นไม้ ในตัวเลขจำแนกประเภทวรรณกรรม) โดยไม่มีชั้นข้อมูล

ผลลัพธ์ (ไทย) 2:

การใช้งานที่กว้างของเพื่อนบ้านที่ใกล้ที่สุดและวิธีการลำดับชั้น
(เช่นการตัดสินใจต้นไม้และagglomerative การจัดกลุ่มตามลำดับชั้น) ทั้งในการจัดหมวดหมู่และการจัดกลุ่มจะสามารถให้การสนับสนุนนี้มุมมอง นอกจากนี้ทั้งการจัดหมวดหมู่และการจัดกลุ่มต้องโจมตีปัญหาที่คล้ายกัน(เช่นการเลือกคุณลักษณะการขยายขนาดและความคุ้มค่าที่ขาดหายไป) และการแก้ปัญหามากมายที่จะประเด็นที่สามารถนำมาใช้ในการทำงานทั้งสองโดยไม่ต้องดัดแปลงมากเกินไป. ยกตัวอย่างเช่นเมื่อคำนวณความดีของ แอตทริบิวต์การจัดหมวดหมู่หรือการจัดกลุ่มแตกต่างกันคือว่าอดีตมักจะพิจารณาข้อมูลระดับในขณะที่หลังจะใช้แอตทริบิวต์ข้อมูลทั้งหมดเข้าบัญชี ในฐานะที่เป็นสาธิตรูป 3 ส่วน 4 แสดงให้เห็นว่าต้นไม้การจัดหมวดหมู่(หรือต้นไม้ตัดสินใจ) โดยใช้ข้อมูลการเรียนอาจจะเป็นเช่นเดียวกับต้นไม้การจัดกลุ่ม(หรือ monothetic ต้นไม้แตกแยกในตัวเลขวรรณกรรมอนุกรมวิธาน) โดยไม่มีข้อมูลระดับ

ผลลัพธ์ (ไทย) 3:

การใช้กว้างของเพื่อนบ้านที่ใกล้ที่สุด และวิธีการ เช่น การตัดสินใจ และ agglomerative การจัดกลุ่มลำดับชั้นต้นไม้

) ทั้งในการจำแนกและแบ่งกลุ่มข้อมูลจะสามารถสนับสนุนทัศนะนี้

นอกจากนี้ ทั้งการจำแนกและแบ่งกลุ่ม
ต้องโจมตีปัญหาที่คล้ายกัน ( เช่นคุณลักษณะการเลือก scalability , และค่า
หายไป ) และหลายโซลูชั่นเพื่อปัญหา
สามารถใช้ได้ทั้งในงาน โดยไม่ต้องดัดแปลงเยอะ
ตัวอย่างเช่นเมื่อคอมพิวเตอร์ความดีของแอตทริบิวต์
การจำแนกหรือการจัดกลุ่ม ความแตกต่างคืออดีต
มักจะเพียง แต่จะพิจารณาข้อมูลในขณะที่หลัง
จะเอาคุณลักษณะข้อมูลลงในบัญชี เป็นการสาธิต
รูปที่ 3 ส่วน 4 พบว่า การจำแนกต้นไม้
( หรือต้นไม้ การตัดสินใจโดยใช้ข้อมูลชั้นอาจจะเป็น
เหมือนการจัดกลุ่มต้นไม้ ( หรือต้นไม้ แบ่ง monothetic ในวรรณคดีอนุกรมวิธานเชิงตัวเลข
) ไม่มีข้อมูล