To this aim we took as input each l

To this aim we took as input each learning data set and obtained its projection in the d_-dimensional space by means of six competing techniques: Isomap, L-IsomapMSC, L-IsomapSC and its unsupervised variant based on the spread coefficient (L-IsomapUSC), Landmark Isomap with random landmark selection (L-IsomapR) and based on the minimum spanning tree-cut algorithm (L-IsomapMST) described in [5]

ผลลัพธ์ (ไทย) 1:

เพื่อจุดมุ่งหมายนี้เราเอา เป็นอินพุตแต่ละชุดข้อมูลการเรียนรู้ และได้รับการฉายใน d_ มิติพื้นที่โดยใช้วิธีการเทคนิคการแข่งขันหก: Isomap, L IsomapMSC, L IsomapSC และตัวแปรของขั่วอิงสัมประสิทธิ์การแพร่กระจาย (L-IsomapUSC), Isomap แลนด์มาร์คแลนด์มาร์คแบบสุ่มเลือก (L IsomapR) และตามต่ำ spanning ตัดต้นไม้อัลกอริทึม (L IsomapMST) อธิบายไว้ใน [5]

ผลลัพธ์ (ไทย) 2:

เพื่อจุดประสงค์นี้เราเอาเป็น input แต่ละการเรียนรู้ชุดข้อมูลและได้รับการฉายในพื้นที่ d_ มิติโดยวิธีการของ Six เทคนิคการแข่งขัน: Isomap L-IsomapMSC L-IsomapSC และตัวแปรหากินบนพื้นฐานของค่าสัมประสิทธิ์การแพร่กระจาย (L-IsomapUSC ), แลนด์มาร์ค Isomap กับการสุ่มเลือกสถานที่สำคัญ (L-IsomapR) และอยู่บนพื้นฐานที่ทอดขั้นต่ำขั้นตอนวิธีต้นไม้ตัด (L-IsomapMST) อธิบายไว้ใน [5]

ผลลัพธ์ (ไทย) 3:

เพื่อจุดมุ่งหมายนี้เราเอาเป็นข้อมูลการเรียนรู้แต่ละชุดข้อมูลและได้รับการประมาณการใน d_ - มิติโดยใช้เทคนิคการแข่งขัน 6 : isomap l-isomapmsc l-isomapsc , และ , ตัวแปรของ unsupervised ตามกระจายค่าสัมประสิทธิ์ ( l-isomapusc ) , สถานที่ isomap เลือกสถานที่แบบสุ่ม ( l-isomapr ) และขึ้นอยู่กับขั้นตอนวิธีการตัดต้นไม้ทอดต่ำสุด ( l-isomapmst ) ที่อธิบายไว้ใน [ 5 ]