As it can be seen in "Fig. 3", PCA

As it can be seen in "Fig. 3", PCA "Fig. 3.a" and CMLHL "Fig. 3.b" have found a clear internal structure in the dataset.
Both methods have identified 'revolutions' as relevant variable.
CMLHL projection gives us more information because it has recognized the 'number of pieces' as another important variable. CMLHL provides a sparser representation than PCA.

ผลลัพธ์ (ไทย) 1:

สามารถเห็นได้ใน"" PCA "มะเดื่อ 3.a " และ CMLHL "มะเดื่อ 3.b " พบโครงสร้างชัดเจนภายในชุดข้อมูล ทั้งสองวิธีได้ระบุว่า 'ปฏิวัติ' เป็นตัวแปรที่เกี่ยวข้อง CMLHL ฉายภาพให้เราเพิ่มเติมข้อมูลเนื่องจากมันมีรู้จัก 'จำนวนชิ้น' เป็นตัวแปรสำคัญอีกตัว CMLHL ให้การแสดง sparser กว่า PCA

ผลลัพธ์ (ไทย) 2:

เท่าที่จะสามารถมองเห็นได้ใน "รูปที่. 3" PCA "รูป. 3.A" และ CMLHL "รูป. 3.b" ได้พบโครงสร้างภายในที่ชัดเจนในชุดข้อมูล.
ทั้งสองวิธีมีการระบุตัวแปรที่เกี่ยวข้อง 'ปฏิวัติ'
CMLHL ฉายทำให้เรามีข้อมูลมากขึ้นเพราะได้รับการยอมรับ 'จำนวนชิ้น' เป็นตัวแปรสำคัญอีกครั้งหนึ่ง CMLHL ให้การแสดงเบาบางกว่า PCA