Therefore, distances are often norm

Therefore, distances are often normalized by dividing the distance for each variable by the range of that
attribute, so that the distance for each input variable is in the range 0..1. However, this allows outliers
(extreme values) to have a profound effect on the contribution of an attribute. For example, if a variable has
values which are in the range 0..10 in almost every case but with one (possibly erroneous) value of 50, then
dividing by the range would almost always result in a value less than 0.2. A more robust alternative is to
divide the values by the standard deviation in order to reduce the effect of extreme values on the typical cases.

ผลลัพธ์ (ไทย) 1:

ดังนั้น ระยะทางที่มักตามปกติ โดยการหารระยะห่างในแต่ละตัวแปรโดยช่วงที่คุณลักษณะ ดังนั้นระยะห่างในแต่ละตัวแปรอินพุตอยู่ใน 0..1 ช่วงที่ อย่างไรก็ตาม นี้ช่วยให้ outliers(มากค่า) จะมีผลอย่างยิ่งในสัดส่วนของแอตทริบิวต์ ตัวอย่างเช่น ถ้ามีตัวแปรค่าที่อยู่ใน 0..10 ช่วง ในเกือบทุกกรณี แต่ มีค่าหนึ่ง (อาจมีข้อผิดพลาด) 50 จากนั้นหาร ด้วยช่วงจะเกือบตลอดเวลาส่งผลให้ค่าน้อยกว่า 0.2 คือทางเลือกมีประสิทธิภาพมากขึ้นหารค่า ด้วยส่วนเบี่ยงเบนมาตรฐานเพื่อลดผลของค่ามากในกรณีทั่วไป

ผลลัพธ์ (ไทย) 2:

ดังนั้นระยะทางจะปกติมักจะโดยการหารระยะทางตัวแปรแต่ละช่วงของว่าแอตทริบิวต์เพื่อให้ระยะห่างของแต่ละตัวแปรอยู่ในช่วง 0..1
แต่นี้จะช่วยให้ค่าผิดปกติ
(ค่ามาก) ที่จะมีผลอย่างยิ่งต่อการมีส่วนร่วมของแอตทริบิวต์ที่ ตัวอย่างเช่นถ้าตัวแปรมีค่าที่อยู่ในช่วง 0..10 ในเกือบทุกกรณี แต่มีหนึ่ง (อาจจะผิดพลาด) มูลค่า 50 แล้วหารด้วยช่วงเกือบตลอดเวลาจะส่งผลให้ค่าน้อยกว่า0.2 ทางเลือกที่มีประสิทธิภาพมากขึ้นคือการแบ่งค่าโดยส่วนเบี่ยงเบนมาตรฐานเพื่อลดผลกระทบของค่ามากในกรณีทั่วไป

ผลลัพธ์ (ไทย) 3:

ดังนั้นระยะทางที่มักจะ ปกติ โดยแบ่งระยะทางสำหรับแต่ละตัวแปร โดยช่วงที่
Attribute เพื่อให้ระยะทางที่สัญญาณเข้าแต่ละตัวแปรอยู่ในช่วง 0 . . . 1 อย่างไรก็ตาม , นี้ช่วยให้ผิดปกติ
( ค่ามาก ) จะมีผลลึกซึ้งในผลงานของแอตทริบิวต์ . ตัวอย่าง ถ้าตัวแปรมี
ค่าซึ่งอยู่ในช่วง 0 . . . . . . .ในเกือบทุกกรณี แต่กับหนึ่ง ( อาจจะผิด ) มูลค่า 50 , งั้น
แบ่งตามช่วงที่เกือบจะเสมอผลมีค่าน้อยกว่า 0.2 ทางเลือกที่แข็งแกร่งมากขึ้น

แบ่งค่าของส่วนเบี่ยงเบนมาตรฐานเพื่อลดผลกระทบจากค่าสุดขีดบนกรณีทั่วไป