3.7 Figure 3.7(a) and 3.7(b) show t

3.7 Figure 3.7(a) and 3.7(b) show the effect of shared nearest neighbor
(SNN) and our proposed LDAT, both built upon W(GLS)
and a positive
random walk normalization (RWC). It demonstrates LDAT’s
advantage of better recognizing density differences among clusters
than SNN and other algorithms shown in Figure 2.2 and 2.4. The
LDAT built upon AHK, shown in 3.7(c), has the best NMI result
through being aware of both density and manifold structures. . . . . 52

ผลลัพธ์ (ไทย) 1:

3.7 รูป 3.7(a) และ 3.7(b) แสดงผลของเพื่อนบ้านที่ใช้ร่วมกันที่ใกล้ที่สุด(ที) และ LDAT นำเสนอของเรา ทั้งสองสร้างขึ้นบน W(GLS)และบวกเดินสุ่มฟื้นฟู (RWC) มันอธิบายของ LDATประโยชน์ของดีตระหนักถึงความแตกต่างระหว่างกลุ่มกว่าทีและอัลกอริทึมอื่น ๆ แสดงในรูปที่ 2.2 และ 2.4 การLDAT สร้างขึ้น AHK แสดงใน 3.7(c) มีผลงาน NMIผ่านการตระหนักถึงโครงสร้างของท่อและความหนาแน่น... 52

ผลลัพธ์ (ไทย) 2:

3.7 รูปที่ 3.7 (ก) และ 3.7 (ข) การแสดงผลที่ใช้ร่วมกันของเพื่อนบ้านที่ใกล้ที่สุด
(SNN) และ LDAT เสนอของเราทั้งสร้างขึ้นบนวัตต์ (GLS)
และบวก
ฟื้นฟูเดินสุ่ม (RWC) มันแสดงให้เห็น LDAT ของ
ประโยชน์จากการตระหนักถึงความแตกต่างที่ดีกว่าความหนาแน่นในหมู่กลุ่ม
กว่า SNN และขั้นตอนอื่น ๆ ที่แสดงในรูปที่ 2.2 และ 2.4
LDAT สร้างขึ้นบน AHK แสดงใน 3.7 (ค) มีผล NMI ที่ดีที่สุด
ผ่านการตระหนักถึงทั้งความหนาแน่นและโครงสร้างต่าง ๆ นานา . . . . 52

ผลลัพธ์ (ไทย) 3:

รูปที่ 3.7 3.7 ( A ) และ ( B ) 3.7 แสดงผลร่วมกัน เพื่อนบ้านที่ใกล้ที่สุด( snn ) และเสนอ ldat ทั้งสร้างเมื่อ W ( GLS )และบวกปกติเดินแบบสุ่ม ( สามารถ ) มันแสดงให้เห็นถึง ldat คือประโยชน์ของการมีความแตกต่างระหว่างกลุ่มดีกว่ากว่า snn และขั้นตอนวิธีอื่นๆที่แสดงในรูปที่ 2.2 และ 2.4 . ที่ldat อักขึ้นแสดงใน 3.7 ( C ) , ได้ผลที่ดีที่สุด NMIผ่านการตระหนักถึงทั้งความหนาแน่นและโครงสร้างมากมาย . . . . . . . . . . . . . . 52