We used an experimental methodology

We used an experimental methodology similar to the one used
to demonstrate the effectiveness of the SBK model [33]. For each
dataset, we initialized the overlapping clustering by running k-means
clustering, where the additive inverse of the corresponding Bregman
divergence was used as the similarity measure and the number
of clusters was set by the number of underlying categories in the
dataset. The resulting clustering was used to initialize our overlapping
clustering algorithm.
To evaluate the clustering results, precision, recall, and F-measure
were calculated over pairs of points. For each pair of points that
share at least one cluster in the overlapping clustering results, these
measures try to estimate whether the prediction of this pair as being
in the same cluster was correct with respect to the underlying
true categories in the data. Precision is calculated as the fraction of
pairs correctly put in the same cluster, recall is the fraction of actual
pairs that were identified, and F-measure is the harmonic mean of
precision and recall

ผลลัพธ์ (ไทย) 1:

เราใช้วิธีการทดลองคล้ายกับที่ใช้แสดงให้เห็นถึงประสิทธิผลของรูปแบบ SBK [33] สำหรับแต่ละชุดข้อมูล เราเริ่มต้นคลัสเตอร์ที่ทับซ้อนกัน โดยการเรียกใช้ถึงคลัสเตอร์ ซึ่งตัวผกผันการบวกของ Bregman สอดคล้องกันใช้เศรษฐกิจเป็นการวัดความคล้ายคลึงกันและจำนวนของคลัสเตอร์ถูกกำหนด โดยจำนวนของประเภทต้นแบบในการชุดข้อมูล คลัสเตอร์ได้ถูกใช้เพื่อเตรียมใช้งานของเราที่ทับซ้อนคลัสเตอร์อัลกอริทึมเพื่อประเมินระบบคลัสเตอร์ผล ความแม่นยำ เรียกคืน และ F-วัดมีคำนวณมากกว่าคู่ของจุด สำหรับแต่ละคู่ของจุดที่คลัสเตอร์อย่างน้อยหนึ่งในระบบคลัสเตอร์ผลซ้อนทับกัน ร่วมกันเหล่านี้มาตรการพยายามประเมินว่าคู่นี้เป็นการคาดการณ์ในคลัสเตอร์เดียวกันถูกต้องตามต้นแบบหมวดหมู่ที่เป็นจริงในข้อมูล มีคำนวณความแม่นยำเป็นเศษส่วนของคู่ถูกใส่ในคลัสเตอร์เดียวกัน เรียกคืนเป็นเศษส่วนของจริงคู่ที่ระบุ และ F วัดเป็นยฮาร์ของความแม่นยำและการเรียกคืน

ผลลัพธ์ (ไทย) 2:

เราใช้วิธีการทดลองแบบเดียวกับที่ใช้
ในการแสดงให้เห็นถึงประสิทธิภาพของรูปแบบ SBK ม [33] สำหรับแต่ละ
ชุดข้อมูลที่เราเริ่มต้นได้จัดกลุ่มที่ทับซ้อนกันโดยการเรียกใช้ K-วิธี
การจัดกลุ่มที่ตรงกันข้ามของที่สอดคล้อง Bregman
แตกต่างถูกนำมาใช้เป็นตัวชี้วัดความคล้ายคลึงกันและจำนวน
ของกลุ่มที่ถูกกำหนดโดยจำนวนของประเภทพื้นฐานในที่
ชุด จัดกลุ่มส่งผลให้ถูกใช้ในการเริ่มต้นของเราทับซ้อนกัน
ขั้นตอนวิธีการจัดกลุ่ม.
เพื่อประเมินผลการจัดกลุ่ม, ความแม่นยำการเรียกคืนและ F-วัด
นี้จะถูกคำนวณมากกว่าคู่ของจุด สำหรับคู่ของจุดที่แต่ละคน
มีส่วนร่วมอย่างน้อยหนึ่งคลัสเตอร์ในผลการจัดกลุ่มที่ทับซ้อนกันเหล่านี้
มาตรการพยายามที่จะประเมินว่าการคาดการณ์ของคู่นี้ในฐานะที่เป็น
ในคลัสเตอร์เดียวกันที่ถูกต้องเกี่ยวกับพื้นฐาน
ประเภทจริงในข้อมูล แม่นยำถูกคำนวณเป็นส่วนของการ
คู่ใส่อย่างถูกต้องในคลัสเตอร์เดียวกันเรียกคืนเป็นส่วนหนึ่งของที่เกิดขึ้นจริง
คู่ที่ได้รับการระบุและ F-วัดเป็นค่าเฉลี่ยฮาร์โมนิของ
ความแม่นยำและการเรียกคืน

ผลลัพธ์ (ไทย) 3:

เราใช้วิธีการคล้ายกับที่ใช้ทดลองเพื่อแสดงให้เห็นถึงประสิทธิภาพของแบบจำลอง SBK [ 33 ] สำหรับแต่ละวันที่เราเริ่มต้นซ้อนการจัดกลุ่มโดยการวิ่ง k-meansการจัดกลุ่มที่จังหวัดชวาตะวันตกของสอดคล้องกันเบร็กเมิ่นความแตกต่างคือใช้เป็น ความเหมือน วัด และหมายเลขกลุ่มถูกกำหนดโดยจำนวนของประเภทพื้นฐานในชุดข้อมูล . ผลการจัดกลุ่มถูกใช้เพื่อเริ่มการทำงานของเราซ้อนทับกันการจัดกลุ่มขั้นตอนวิธีเพื่อประเมินคุณภาพผลแม่นยำ ระลึกถึง และค่า Fได้มากกว่าคู่ของจุด สำหรับแต่ละคู่ของจุดที่หุ้นกลุ่มอย่างน้อยหนึ่งในที่ทับซ้อนกันในการจัดกลุ่มผลลัพธ์เหล่านี้มาตรการที่พยายามที่จะประเมินว่าคำทำนายของคู่นี้เป็นในกลุ่มเดียวกันถูกต้อง ไหว้พระ เป็นต้นที่แท้จริงของประเภทข้อมูล ความเที่ยงตรงคำนวณเป็นเศษส่วนคู่ที่ถูกวางในกลุ่มเดียวกัน จำได้คือสัดส่วนของจริงคู่ที่ถูกระบุ และ ค่า F เป็นมัชฌิมฮาร์มอนิกของความแม่นยำและจำ