Fig. 2 depicts the cputime consumed

Fig. 2 depicts the cputime consumed in finding the h
leading eigenvectors for both the methods as a function
of data dimensionality. The data dimensions from 100 to
1000 are illustrated in Fig. 2 and dimensions from 2000
to 4000 are illustrated in Table 3. It is evident from
Fig. 2 that cputime curve for EVD based PCA increases
exponentially as the data dimensionality is increased.
Moreover, from Table 3 cputime for dimensions above
2000 are very expensive for EVD based PCA method and
may restrict practical applications which involve such high
dimensions. For dimension 4000 the EVD based PCA
method is consuming around 1413 cputime in seconds to
find 10 leading eigenvectors. On the other hand, it can be
observed from Fig. 2 as well as from Table 3 that the cputime
for Fast PCA method is very economical for all the
dimensions. Even for data dimensionality 4000, cputime
is only 7.53 s, which is extremely low as compared to
EVD based PCA method. Thus Fast PCA can also be efficiently
used for high dimensional applications.

ผลลัพธ์ (ไทย) 1:

Fig. 2 มีภาพ cputime ที่ใช้ในการหา hนำลักษณะเฉพาะสำหรับวิธีการทั้งสองเป็นฟังก์ชันของข้อมูล dimensionality ขนาดข้อมูลจาก 100 ไปดังรายละเอียดใน Fig. 2 และขนาดจาก 2000 1000ให้ 4000 จะแสดงในตาราง 3 จะเห็นได้จากFig. 2 โค้งที่ cputime สำหรับอีวีดีโดยใช้ PCA เพิ่มสร้างเป็นข้อมูล dimensionality จะเพิ่มขึ้นนอกจากนี้ จาก 3 ตาราง cputime สำหรับมิติข้างต้น2000 จะมีราคาแพงมากสำหรับอีวีดีใช้วิธี PCA และอาจจำกัดการประยุกต์ใช้งานจริงซึ่งเกี่ยวข้องกับสูงดังกล่าวมิติ สำหรับขนาด 4000 อีวีดีการใช้ PCAวิธีคือใช้ประมาณ 1413 cputime วินาทีค้นหาลักษณะเฉพาะชั้นนำ 10 บนมืออื่น ๆ สามารถสังเกตจาก Fig. 2 เช่นจากตาราง 3 ที่ cputimeสำหรับ PCA เร็ว วิธีคือประหยัดมากทั้งนี้มิติ สำหรับข้อมูล dimensionality 4000, cputimeมีเฉพาะ 7.53 s ซึ่งอยู่ในระดับต่ำมากเป็น compared เพื่ออีวีดีใช้วิธี PCA ดังนั้น สมาคมได้อย่างรวดเร็วยังสามารถได้อย่างมีประสิทธิภาพใช้สำหรับโปรแกรมประยุกต์มิติสูง

ผลลัพธ์ (ไทย) 2:

มะเดื่อ. 2 แสดงให้เห็น cputime
บริโภคในการหาเอชชั้นนำeigenvectors
สำหรับวิธีการทั้งสองเป็นหน้าที่ของมิติข้อมูล ขนาดข้อมูลที่จะ 100 จาก
1000 แสดงให้เห็นในรูป 2 และขนาด 2000
จากที่จะ4000 แสดงในตารางที่ 3
จะเห็นได้จากรูป 2 ที่โค้ง cputime สำหรับ EVD ตาม PCA
เพิ่มขึ้นชี้แจงเป็นมิติข้อมูลจะเพิ่มขึ้น.
นอกจากนี้จากตารางที่ 3 cputime มิติเหนือ
2000 ที่มีราคาแพงมากสำหรับ EVD ตามวิธี PCA
และอาจมีการจำกัด
การใช้งานจริงที่เกี่ยวข้องกับการสูงเช่นมิติ สำหรับมิติ 4000 EVD ตาม PCA
วิธีจะเสียรอบ 1413 cputime
ในไม่กี่วินาทีที่จะได้พบกับ10 eigenvectors ชั้นนำ
ในทางกลับกันก็สามารถสังเกตได้จากรูป 2 รวมทั้งจากตารางที่ 3 ว่า cputime
สำหรับวิธี PCA
อย่างรวดเร็วคือประหยัดมากสำหรับทุกขนาด แม้สำหรับมิติข้อมูล 4000, cputime
เป็นเพียง 7.53 วินาทีซึ่งเป็นที่ต่ำมากเมื่อเทียบกับ
EVD ตามวิธี PCA ดังนั้น PCA
อย่างรวดเร็วนอกจากนี้ยังสามารถได้อย่างมีประสิทธิภาพใช้สำหรับการใช้มิติสูง