use of nearest neighbor and hierarc

use of nearest neighbor and hierarchical methods (e.g., decision
tree and agglomerative hierachical 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.
Shaded similarity matrix is one of the oldest graphic
techniques that has long been used in hierarchical cluster
analysis [23, 14, 30, 7]. Based on the above unified viewpoint,
we believe it could also be used in the task of classification
visualization. We will focus on the use of shaded
similarity matrix for visualizing two popular classification
methods: nearest neighbor and decision tree. We will also
explore how to attack the scalability problem using ensemble
classification and sampling techniques.

ผลลัพธ์ (ไทย) 2:

การใช้งานของเพื่อนบ้านที่ใกล้ที่สุดและวิธีการลำดับชั้น
(เช่นการตัดสินใจของต้นไม้และการจัดกลุ่มagglomerative ลำดับชั้น)
ทั้งในการจัดหมวดหมู่และการจัดกลุ่มจะสามารถให้การสนับสนุนนี้มุมมอง
นอกจากนี้ทั้งการจัดหมวดหมู่และการจัดกลุ่มต้องโจมตีปัญหาที่คล้ายกัน(เช่นการเลือกคุณลักษณะการขยายขนาดและความคุ้มค่าที่ขาดหายไป) และการแก้ปัญหามากมายที่จะประเด็นที่สามารถนำมาใช้ในการทำงานทั้งสองโดยไม่ต้องดัดแปลงมากเกินไป. ยกตัวอย่างเช่นเมื่อคำนวณความดีของ แอตทริบิวต์การจัดหมวดหมู่หรือการจัดกลุ่มแตกต่างกันคือว่าอดีตมักจะพิจารณาข้อมูลระดับในขณะที่หลังจะใช้แอตทริบิวต์ข้อมูลทั้งหมดเข้าบัญชี ในฐานะที่เป็นสาธิตรูป 3 ส่วน 4 แสดงให้เห็นว่าต้นไม้การจัดหมวดหมู่(หรือต้นไม้ตัดสินใจ) โดยใช้ข้อมูลการเรียนอาจจะเป็นเช่นเดียวกับต้นไม้การจัดกลุ่ม(หรือ monothetic ต้นไม้แตกแยกในตัวเลขวรรณกรรมอนุกรมวิธาน) โดยไม่มีข้อมูลระดับ. เมทริกซ์คล้ายคลึงกันสีเทาเป็นหนึ่งในภาพที่เก่าแก่ที่สุดเทคนิคที่ได้รับการใช้ในกลุ่มลำดับชั้นการวิเคราะห์ [23, 14, 30, 7] ขึ้นอยู่กับมุมมองแบบครบวงจรดังกล่าวข้างต้นเราเชื่อว่ามันยังสามารถนำมาใช้งานในการจัดหมวดหมู่ของการสร้างภาพ เราจะมุ่งเน้นไปที่การใช้งานของสีเทาเมทริกซ์สำหรับการแสดงความคล้ายคลึงกันสองการจัดหมวดหมู่เป็นที่นิยมวิธีการ: เพื่อนบ้านที่ใกล้ที่สุดและต้นไม้ตัดสินใจ นอกจากนี้เรายังจะสำรวจวิธีการโจมตีปัญหา scalability โดยใช้ชุดการจัดหมวดหมู่และการสุ่มตัวอย่างเทคนิค

ผลลัพธ์ (ไทย) 3:

เพื่อนบ้านที่ใกล้ที่สุด และใช้วิธีการแบบ ( เช่น ต้นไม้ การตัดสินใจ และ agglomerative การจัดกลุ่มข้อมูล

) 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 แรเงาความเหมือน Matrix เป็นหนึ่งในที่เก่าแก่ที่สุดกราฟิก
เทคนิคที่ได้รับการใช้ในการวิเคราะห์กลุ่ม
ลำดับชั้น [ 23 , 14 , 30 , 7 ] ตามข้างบน
รวมจุดชมวิวเราเชื่อว่ามันอาจจะใช้ในงานของการจัด

เราจะเน้นการใช้ความเหมือน Matrix สีเทา
เพื่อการวิธีการสองนิยมหมวดหมู่
: เพื่อนบ้านที่ใกล้ที่สุดและต้นไม้ตัดสินใจ นอกจากนี้เรายังจะ
สํารวจจะโจมตีด้านปัญหาการใช้หมวดหมู่ ensemble



และ เทคนิคการสุ่มตัวอย่าง