Thus far, we have largely ignored h

Thus far, we have largely ignored how to choose K. In hierarchical and K-means
clustering,K represents the number of clusters. In K nearest neighbors smoothing,
K represents the number of nearest neighbors used. Although these two
things are fundamentally different, it turns out that both are equally challenging
to set properly in a fully automated way. The problem of choosing K is one of the
most challenging issues involved with clustering, since there is really no good solution.
No magical formula exists that will predict the optimal number of clusters
to use in every possible situation. Instead, the best choice of K largely depends
on the task and data set being considered. Therefore, K is most often chosen experimentally.
In some cases, the application will dictate the number of clusters to use. This,
however, is rare. Most of the time, the application offers no clues as to the best
choice of K. In fact, even the range of values for K to try might not be obvious.
Should 2 clusters be used? 10? 100? 1,000? There is no better way of getting an
understanding of the best setting for K than running experiments that evaluate
the quality of the resulting clusters for various values of K.

ผลลัพธ์ (ไทย) 1:

ป่านนี้ เราได้ปฏิเสธวิธีการเลือกเคมาก ในลำดับชั้น และถึงคลัสเตอร์ K แทนจำนวนกลุ่ม ในใกล้บ้านปรับให้เรียบ KK แทนจำนวนของเพื่อนบ้านที่ใกล้ที่สุดที่ใช้ แม้ว่าทั้งสองสิ่งที่มีพื้นฐานที่แตกต่าง มันเปิดออกว่า ทั้งสองเป็นสิ่งที่ท้าทายอย่างเท่าเทียมกันการตั้งค่าอย่างถูกต้องแบบอัตโนมัติ ปัญหาของการเลือก K คือหนึ่งการปัญหาท้าทายมากที่สุดที่เกี่ยวข้องกับคลัสเตอร์ เพราะจริง ๆ มีวิธีใดดีสูตรไม่ขลังอยู่ที่จะทายที่ดีที่สุดของคลัสเตอร์การใช้ในทุกสถานการณ์ แทน ดีสุด K ขึ้นอยู่กับงานและชุดข้อมูลที่มีการพิจารณา ดังนั้น K เป็นส่วนใหญ่มักจะเลือกทดลองในบางกรณี โปรแกรมจะกำหนดหมายเลขของคลัสเตอร์เพื่อใช้ นี้อย่างไรก็ตาม จะหายาก ส่วนใหญ่เวลา แอพลิเคชันมีเบาะแสไม่เป็นที่ดีสุดทางเลือกของคุณ ในความเป็นจริง แม้ช่วงของค่าสำหรับ K ลองอาจไม่ชัดเจนควรใช้ 2 กลุ่มข้อมูล 10 100 1,000 หรือไม่ ไม่มีวิธีการความเข้าใจเกี่ยวกับการตั้งค่าที่ดีที่สุดสำหรับ K กว่าทำงานทดลองที่ประเมินคุณภาพของกลุ่มผลลัพธ์สำหรับค่าต่าง ๆ ของคุณ

ผลลัพธ์ (ไทย) 2:

ป่านนี้เราได้ส่วนมากไม่สนใจวิธีการเลือกเคในลำดับชั้นและ K-วิธี
การจัดกลุ่ม K หมายถึงจำนวนของคลัสเตอร์ ใน K เพื่อนบ้านที่ใกล้ที่สุดเรียบ
K หมายถึงจำนวนของเพื่อนบ้านที่ใกล้ที่สุดที่ใช้ แม้ว่าทั้งสอง
สิ่งที่แตกต่างกันก็จะเปิดออกว่าทั้งสองมีความท้าทายอย่างเท่าเทียมกัน
ที่จะตั้งอย่างถูกต้องในทางอัตโนมัติอย่างเต็มที่ ปัญหาของการเลือก K คือหนึ่งใน
ปัญหาที่ท้าทายที่สุดที่เกี่ยวข้องกับการจัดกลุ่มเนื่องจากมีจริงๆไม่มีทางออกที่ดี.
ไม่มีสูตรวิเศษมีอยู่ที่จะคาดการณ์จำนวนที่เหมาะสมของกลุ่ม
ที่จะใช้ในสถานการณ์ที่เป็นไปได้ทุก แต่เป็นทางเลือกที่ดีที่สุดของ K ส่วนใหญ่ขึ้นอยู่
กับงานและข้อมูลที่กำหนดไว้ในระหว่างการพิจารณา ดังนั้น K ส่วนใหญ่มักจะได้รับการแต่งตั้งทดลอง.
ในบางกรณีโปรแกรมจะกำหนดจำนวนของกลุ่มที่จะใช้ นี้
แต่เป็นของหายาก เวลาส่วนใหญ่ของแอพลิเคชันมีเบาะแสไม่เป็นที่ดีที่สุด
ทางเลือกของเคในความเป็นจริงแม้ช่วงของค่าสำหรับ K เพื่อพยายามที่อาจจะไม่เห็นได้ชัด.
ควร 2 กลุ่มจะใช้งานอย่างไร 10? 100? 1,000? ไม่มีทางที่ดีที่จะได้รับคือ
ความเข้าใจในการตั้งค่าที่ดีที่สุดสำหรับ K กว่าทำงานการทดลองที่ประเมิน
คุณภาพของกลุ่มผลสำหรับค่าต่างๆของเค