of a study in terms of the sample s

of a study in terms of the sample size and the number of variables is fairly small
in terms of clustering accuracy.
Finally, it seems clear that when group separation on the latent trait is relatively
low, the Jaccard, Dice and Russell/Rao measures work similarly, and
better, than the Matching coefficient or raw data. Indeed, even in the case of low
group separation, these three measures are able to correctly cluster over 60% of
the subjects.
As with any research, there are weaknesses in this study which should be
taken into account as the results are interpreted. First of all, only one clustering
algorithm, Ward’s, was used. In order to expand upon these results, the data
could be replicated and other clustering algorithms used. In addition, the distance
measures selected for inclusion in this study are of a particular class, albeit
one identified by several authors as among the most useful for clustering with dichotomous
data. Therefore, it would be worthwhile to compare these approaches
to other measures of distance that are calculated fundamentally differently, such
as Holley and Guilford’s G index. Finally, it might be worthwhile to expand
the parameters used in the 2PL model that simulated the data. For example, a
larger difference between the two levels of latent trait variance could be used, or a
sample size of less than 240, so that a true lower bound for adequate performance
for this variable could be identified.

ผลลัพธ์ (ไทย) 1:

การศึกษาในแง่ของตัวอย่าง ขนาดและจำนวนของตัวแปรคือค่อนข้างเล็กในแง่ของคลัสเตอร์ถูกต้องในที่สุด มันดูเหมือนว่าชัดเจนว่าเมื่อแยกกลุ่มในลักษณะแฝงอยู่ค่อนข้างต่ำ มาตรการ Jaccard ลูกเต๋า และรัสเซล/เราทำงานในทำนองเดียวกัน และดีกว่า การจับคู่ค่าสัมประสิทธิ์หรือข้อมูลดิบ จริง แม้ในกรณีต่ำแยกกลุ่ม มาตรการที่สามเหล่านี้มีความสามารถที่คลัสเตอร์ถูกต้องมากกว่า 60% ของในวิชากับการวิจัยใด ๆ ไม่ มีจุดอ่อนในการศึกษานี้ซึ่งควรจะนำมาพิจารณาเป็นผลการแปลความหมาย ครั้งแรกของทั้งหมด เพียงหนึ่งคลัสเตอร์มีใช้อัลกอริทึม ของผู้ป่วย เพื่อขยายเมื่อผลลัพธ์เหล่านี้ ข้อมูลสามารถจำลอง และอัลกอริธึม clustering ใช้ นอกจากนี้ ระยะทางเลือกใส่ในการศึกษานี้มีของเฉพาะคลา แม้ว่าหนึ่งโดยผู้แต่งหลายคนเป็นหนึ่งในประโยชน์มากที่สุดสำหรับคลัสเตอร์กับนานข้อมูล ดังนั้น มันจะคุ้มค่าในการเปรียบเทียบวิธีการเหล่านี้มาตรการระยะที่คำนวณพื้นฐานแตกต่างกัน เช่นเป็นดัชนี G ฮอลลี่และของ Guilford ในที่สุด มันอาจจะคุ้มค่าที่จะขยายพารามิเตอร์ที่ใช้ในแบบ 2PL ที่จำลองข้อมูล ตัวอย่างเช่น การขนาดใหญ่ความแตกต่างระหว่างระดับสองของผลต่างแฝงลักษณะสามารถใช้ หรือการตัวอย่างขนาดของน้อยกว่า 240 เพื่อให้ต่ำกว่าจริงผูกพันสำหรับประสิทธิภาพการทำงานที่เพียงพอสำหรับตัวแปรนี้สามารถระบุได้

ผลลัพธ์ (ไทย) 2:

ของการศึกษาในแง่ของขนาดตัวอย่างและจำนวนของตัวแปรที่ค่อนข้างเล็ก ๆ
ในแง่ของความถูกต้องในการจัดกลุ่ม.
ในที่สุดก็เห็นได้ชัดว่าเมื่อแยกกลุ่มในลักษณะแฝงค่อนข้าง
ต่ำ Jaccard, ลูกเต๋าและรัสเซล / ราวมาตรการการทำงาน ในทำนองเดียวกันและ
ดีขึ้นกว่าค่าสัมประสิทธิ์การจับคู่หรือข้อมูลดิบ อันที่จริงแม้ในกรณีที่ต่ำ
แยกกลุ่มเหล่านี้สามมาตรการจะสามารถจัดกลุ่มได้อย่างถูกต้องกว่า 60% ของ
อาสาสมัคร.
เช่นเดียวกับการวิจัยใด ๆ มีจุดอ่อนในการศึกษาครั้งนี้ซึ่งควรจะ
นำเข้าบัญชีเป็นผลจะถูกตีความ แรกของทั้งหมดเพียงการจัดกลุ่มหนึ่ง
ขั้นตอนวิธีการของวอร์ดถูกนำมาใช้ เพื่อที่จะขยายผลเหล่านี้ข้อมูล
อาจจะมีการจำลองแบบและขั้นตอนวิธีการจัดกลุ่มอื่น ๆ ที่ใช้ นอกจากนี้ระยะทางที่
มาตรการเลือกสำหรับการรวมในการศึกษาครั้งนี้ของชั้นโดยเฉพาะอย่างยิ่งแม้ว่า
หนึ่งระบุนักเขียนหลายคนว่าเป็นหนึ่งในประโยชน์มากที่สุดสำหรับการจัดกลุ่มกับ dichotomous
ข้อมูล ดังนั้นมันจะคุ้มค่าเพื่อเปรียบเทียบวิธีการเหล่านี้
จะมีมาตรการอื่น ๆ ของระยะทางที่คำนวณพื้นฐานที่แตกต่างกันเช่น
เป็น Holley และ Guilford ดัชนี G ในที่สุดก็อาจจะคุ้มค่าที่จะขยาย
พารามิเตอร์ที่ใช้ในแบบจำลอง 2PL ที่จำลองข้อมูล ตัวอย่างเช่น
ความแตกต่างขนาดใหญ่ระหว่างสองระดับของความแปรปรวนลักษณะแฝงสามารถนำมาใช้หรือ
ขนาดของกลุ่มตัวอย่างน้อยกว่า 240 เพื่อให้ความจริงที่ถูกผูกไว้ที่ต่ำกว่าเพื่อให้ได้ประสิทธิภาพที่เพียงพอ
สำหรับตัวแปรนี้สามารถระบุได้

ผลลัพธ์ (ไทย) 3:

การศึกษาในแง่ของขนาดตัวอย่างและจำนวนตัวแปรที่ค่อนข้างเล็กในแง่ของการจัดกลุ่มความถูกต้องในที่สุด ดูเหมือนว่าชัดเจนว่าเมื่อแยกกลุ่มในลักษณะแฝงอยู่ค่อนข้างต่ำ , Jaccard , ลูกเต๋าและ Russell / ราวมาตรการงานเช่นเดียวกัน และดีกว่าการจับคู่แบบหรือข้อมูลดิบ แน่นอน แม้ในกรณีของน้อยการแยกกลุ่ม สาม มาตรการเหล่านี้ได้ถูกต้องมากกว่าร้อยละ 60 ของกลุ่มวิชากับงานวิจัย มีจุดอ่อน ในการศึกษานี้ ซึ่งควรเข้าบัญชีเป็นผลจะตีความ แรกของทั้งหมด , เพียงหนึ่งกลุ่มขั้นตอนวิธี , วอร์ด , ใช้ เพื่อที่จะขยายต่อผลลัพธ์เหล่านี้ , ข้อมูลอาจจะซ้ำและการจัดกลุ่มขั้นตอนวิธีใช้ นอกจากนี้ ระยะทางมาตรการที่เลือกเพื่อรวมไว้ในการศึกษาของชั้นเรียนโดยเฉพาะอย่างยิ่งสำหรับหนึ่งที่ระบุโดยผู้เขียนหลายเป็นหนึ่งที่มีประโยชน์มากที่สุดสำหรับการแบ่งกลุ่มกับไดโคโตมัสข้อมูล ดังนั้น มันจะคุ้มค่าที่จะเปรียบเทียบวิธีการเหล่านี้มาตรการอื่น ๆของระยะทางที่คำนวณภาระต่างกัน เช่นที่ฮอลลี่ Guilford G และดัชนี ในที่สุด , มันอาจจะคุ้มค่าที่จะขยายพารามิเตอร์ที่ใช้ใน 2pl โมเดลจำลองข้อมูล ตัวอย่างเช่นมีความแตกต่างระหว่างสองระดับความแปรปรวนของลักษณะที่แฝงอยู่อาจจะใช้ หรือขนาดตัวอย่างน้อยกว่า 240 , ดังนั้นจริง ขอบเขตล่างเพื่อประสิทธิภาพที่เพียงพอสำหรับตัวแปรนี้สามารถระบุได้