Based on Fisher's linear discrimina

Based on Fisher's linear discriminant model, this data set became a typical test case for many statistical classification techniques in machine learning such as support vector machines.

The use of this data set in cluster analysis however is uncommon, since the data set only contains two clusters with rather obvious separation. One of the clusters contains Iris setosa, while the other cluster contains both Iris virginica and Iris versicolor and is not separable without the species information Fisher used. This makes the data set a good example to explain the difference between supervised and unsupervised techniques in data mining: Fisher's linear discriminant model can only be obtained when the object species are known: class labels and clusters are not necessarily the same.[5]

Nevertheless, all three species of Iris are separable in the projection on the nonlinear branching principal component.[6] The data set is approximated by the closest tree with some penalty for the excessive number of nodes, bending and stretching. Then the so-called "metro map" is constructed.[4] The data points are projected into the closest node. For each node the pie diagram of the projected points is prepared. The area of the pie is proportional to the number of the projected points. It is clear from the diagram (left) that the absolute majority of the samples of the different Iris species belong to the different nodes. Only a small fraction of Iris-virginica is mixed with Iris-versicolor (the mixed blue-green nodes in the diagram). Therefore, the three species of Iris (Iris setosa, Iris virginica and Iris versicolor) are separable by the unsupervising procedures of nonlinear principal component analysis. To discriminate them, it is sufficient just to select the corresponding nodes on the principal tree.

ผลลัพธ์ (ไทย) 1:

ตามแบบจำลองเชิง discriminant ของ Fisher ข้อมูลชุดนี้เป็น กรณีทดสอบทั่วไปสำหรับหลายบัญชีจำแนกทางสถิติเทคนิคในการเรียนรู้ของเครื่องเช่นเครื่องสนับสนุนเวกเตอร์การใช้ชุดข้อมูลนี้ในการแบ่งกลุ่มอย่างไรก็ตามได้ใช่ เนื่องจากชุดข้อมูลประกอบด้วยเฉพาะคลัสเตอร์ที่สองกับแยกค่อนข้างชัดเจน หนึ่งในคลัสเตอร์ประกอบด้วย Iris setosa คลัสเตอร์อื่น ๆ ประกอบด้วย virginica ไอริสและไอริส versicolor และไม่ separable โดยไม่มีข้อมูลชนิดใช้ฟิชเชอร์ ทำให้ข้อมูลที่ตั้งค่าตัวอย่างที่ดีให้อธิบายความแตกต่างระหว่างแบบมีผู้สอน และเทคนิคในการทำเหมืองข้อมูล unsupervised: ของ Fisher discriminant เชิงเส้นแบบจำลองเฉพาะได้เมื่อทราบว่าพันธุ์วัตถุ: ป้ายชื่อคลาสและคลัสเตอร์อาจจะไม่เหมือนกันได้ [5]อย่างไรก็ตาม ไอริสให้บริการห้องพักทั้งสามพันธุ์มี separable ในฉายในส่วนประกอบหลักโยงหัวข้อไม่เชิงเส้น [6] ชุดข้อมูลเป็นการเลียนแบบ โดยต้นใกล้เคียงกับบางโทษจำนวนโหน ดัด และยืดมากเกินไป แล้ว เรียกว่า "เมโทรแผนที่" ถูกสร้างขึ้น [4] ข้อมูลจุดที่คาดว่าเป็นโหนดที่ใกล้เคียงที่สุด ไดอะแกรมวงกลมจุดคาดจะเตรียมไว้สำหรับแต่ละโหนด พื้นที่ของวงกลมเป็นสัดส่วนกับจำนวนจุดคาดการณ์ไว้ เป็นที่ชัดเจนจากไดอะแกรม (ซ้าย) ที่ส่วนใหญ่ตัวอย่างพันธุ์ไอริสแตกต่างแน่นอนเป็นของโหนแตกต่างกัน เพียงเศษเสี้ยวเล็ก ๆ ของไอริส virginica ผสมกับไอริส versicolor (ผสมเขียวโหนในไดอะแกรม) ดังนั้น พันธุ์ไอริส (Iris setosa ไอริส virginica และไอริส versicolor) สามได้ separable โดยวิธี unsupervising การวิเคราะห์ส่วนประกอบหลักไม่เชิงเส้น ถือเขาถือเรานั้น ก็เพียงพอเพียงการเลือกโหนบนต้นไม้หลักที่สอดคล้องกัน

ผลลัพธ์ (ไทย) 2:

ขึ้นอยู่กับรูปแบบการจำแนกเชิงเส้นฟิชเชอร์, ข้อมูลชุดนี้กลายเป็นกรณีทดสอบทั่วไปสำหรับเทคนิคการจำแนกทางสถิติจำนวนมากในการเรียนรู้เครื่องเช่นการสนับสนุนเครื่องเวกเตอร์. การใช้งานของชุดข้อมูลนี้ในการวิเคราะห์กลุ่ม แต่เป็นเรื่องแปลกเนื่องจากข้อมูลที่กำหนดมีเพียงสองกลุ่ม ที่มีการแยกค่อนข้างชัดเจน หนึ่งในกลุ่มมี Iris setosa ในขณะที่กลุ่มอื่น ๆ ที่มีทั้งไอริเวอร์และไอริส versicolor และไม่ได้แยกกันไม่ออกไม่มีข้อมูลสายพันธุ์ฟิชเชอร์ที่ใช้ นี้ทำให้ข้อมูลที่เป็นตัวอย่างที่ดีที่จะอธิบายความแตกต่างระหว่างเทคนิคภายใต้การดูแลและใกล้ชิดในการทำเหมืองข้อมูล: รูปแบบการจำแนกเชิงเส้นฟิชเชอร์เท่านั้นที่สามารถได้รับเมื่อชนิดวัตถุที่เป็นที่รู้จักกัน. ป้ายชื่อชั้นและกลุ่มไม่จำเป็นต้องเหมือนกัน [5] อย่างไรก็ตาม ทั้งสามสายพันธุ์ของไอริสมีแยกกันไม่ออกในการฉายในส่วนแยกหลักเชิง. [6] ชุดข้อมูลที่ห้วงต้นไม้ที่ใกล้เคียงที่สุดมีโทษบางอย่างสำหรับจำนวนที่มากเกินไปของโหนด, ดัดและยืด จากนั้นจึงเรียกว่า "แผนที่รถไฟใต้ดิน" ถูกสร้างขึ้น. [4] จุดข้อมูลที่มีการคาดการณ์ลงในโหนดที่ใกล้เคียงที่สุด สำหรับแต่ละโหนดแผนภาพวงกลมจุดที่คาดการณ์ที่เตรียมไว้ พื้นที่ของวงกลมเป็นสัดส่วนกับจำนวนของจุดที่ฉาย มันเป็นที่ชัดเจนจากแผนภาพ (ซ้าย) ที่ส่วนรวมของกลุ่มตัวอย่างของสายพันธุ์ที่แตกต่างกันไอริสเป็นโหนดที่แตกต่างกัน เพียงเศษเสี้ยวเล็ก ๆ ของไอริส-เวอร์เป็นผสมกับไอริส-versicolor (โหนดสีเขียวผสมในแผนภาพ) ดังนั้นทั้งสามสายพันธุ์ของไอริส (Iris setosa ไอริเวอร์และไอริส versicolor) จะแยกกันไม่ออกโดยวิธีการ unsupervising ของการวิเคราะห์องค์ประกอบหลักไม่เชิงเส้น ในการแยกแยะพวกเขามันเป็นเพียงเพียงพอเพื่อเลือกโหนดที่สอดคล้องกันบนต้นหลัก

ผลลัพธ์ (ไทย) 3:

ปลาเส้นจำแนกตามแบบ , ข้อมูลชุดนี้เป็นกรณีทดสอบทั่วไปสำหรับเทคนิคการจำแนกสถิติมากมายในการเรียนรู้เครื่องเช่นเครื่องเวกเตอร์สนับสนุน

ใช้ข้อมูลชุดนี้ในการวิเคราะห์กลุ่มแต่จะฉีกแนว ตั้งแต่ชุดข้อมูลที่มีเพียงสองกลุ่มค่อนข้างชัดเจน แยก หนึ่งในกลุ่มประกอบด้วยไอริสเซนโตซา ,ในขณะที่กลุ่มอื่น ๆ มีทั้ง ไอริส เทน เวอร์จินิกาและม่านตาโรคและไม่แยกออกจากกันได้โดยไม่มีชนิดข้อมูลปลาที่ใช้ นี้ทำให้ชุดข้อมูลตัวอย่างที่ดีที่จะอธิบายถึงความแตกต่างระหว่างการและเทคนิคในการทำเหมืองข้อมูล : unsupervised ของ Fisher จำแนกเชิงเส้นรูปแบบเท่านั้นที่สามารถได้รับเมื่อวัตถุชนิดเป็นที่รู้จักกัน :ป้ายห้องและกลุ่มเป็นเดียวกัน . [ 5 ]

แต่ทั้งสามชนิดของไอริสจะแยกกันในการฉายบนเส้นแยกองค์ประกอบหลัก [ 6 ] ชุดข้อมูลจะประมาณด้วยใกล้ต้นไม้บางโทษสำหรับจำนวนที่มากเกินไปของโหนด , การดัดและยืด แล้วสิ่งที่เรียกว่า " แผนที่ " เมโทร คือการสร้าง[ 4 ] ข้อมูลจุดที่คาดว่าเป็นจุดที่ใกล้ที่สุด สำหรับแต่ละโหนดวงกลมแผนภาพของคาดการณ์จุดเตรียมไว้แล้ว พื้นที่ของวงกลมได้สัดส่วนกับจำนวนที่คาดการณ์ไว้ที่จุด ก็เป็นที่ชัดเจนจากแผนภาพ ( ซ้าย ) ที่ส่วนใหญ่แน่นอนของตัวอย่างชนิดของไอริสที่แตกต่างกันเป็นโหนดที่แตกต่างกันเพียงส่วนเล็ก ๆของไอริส เทน เวอร์จินิกาผสมกับไอริสโรค ( ผสมสีเขียวจุดในแผนภาพ ) ดังนั้นสามชนิดของม่านตา ( Iris เซนโตซา , ไอริส เทน เวอร์จินิกาและม่านตาโรค ) จะแยกออกจากกันได้ โดยขั้นตอน unsupervising ไม่เชิงเส้นการวิเคราะห์องค์ประกอบหลัก . ระหว่างนั้น มันเพียงพอแค่การเลือกโหนดที่เกี่ยวข้องบนต้นไม้ใหญ่