We minimize σr(Z) using the SMACOF

We minimize σr(Z) using the SMACOF algorithm [10] which is based on majorization.
One of the advantages of this method is that it is reasonable fast and
that the iterations yield monotonically improved Stress values and the difference
between subsequent coordinate matrices Z converges to zero [10]. This property
has an important and vital consequence for dynamic visualizations: the algorithm
produces smooth changes to the points in the display leading to a (local) minimum
solution of (17.5). In effect, the objects follow a smooth trajectory on the screen.
The resulting maps may look overwhelming to the user when the number of
products is large. To make the map more appealing to the user, a small number of
products is highlighted by showing larger sized and full color images, while other
products are represented by a smaller monochrome image. These highlighted products
are helpful to the user to get a quick overview of the map. Therefore, it is nice
when these products represent different groups of products in this map. This was
done, by first clustering the products in the map using k-means clustering [17]. We
decided to perform a k-means clustering on the map Z instead of a hierarchical clustering
procedure on the original dissimilarities for two reasons. First, this procedure
is faster and, second, it is consistent with the visualization, that is, there is no overlap
between the clusters in the map. In each cluster, one product is chosen to be highlighted,
that is, the product closest to the cluster center based on Euclidean distance.
In Section 17.6, we show a prototype of this approach using a product catalog of
MP3-players.

ผลลัพธ์ (ไทย) 1:

เราลดการใช้อัลกอริธึม SMACOF [10] ซึ่งขึ้นอยู่กับ majorization σr(Z)หนึ่งข้อดีของวิธีนี้คือว่า มันสมเหตุสมผลอย่างรวดเร็ว และที่เกิดซ้ำที่ผลผลิต monotonically ปรับปรุงค่าความเครียดและความแตกต่างระหว่างเมทริกซ์ต่อไปประสานงาน Z converges ศูนย์ [10] โรงแรมแห่งนี้มีสัจจะเป็นสำคัญ และการแสดงภาพประกอบเพลงแบบไดนามิก: อัลกอริทึมการผลิตผลเรียบเปลี่ยนจุดในการแสดงนำต่ำ (ท้องถิ่น)โซลูชั่น (17.5) ผล วัตถุตามวิถีราบรื่นบนหน้าจอแผนที่ผลลัพธ์อาจดูครอบงำผู้ใช้เมื่อหมายเลขของผลิตภัณฑ์มีขนาดใหญ่ การทำแผนที่น่าสนใจสำหรับผู้ใช้ ขนาดเล็กจำนวนผลิตภัณฑ์ที่เน้นการแสดงภาพสีเต็มรูปแบบ และขนาดใหญ่ ในขณะที่อื่น ๆผลิตภัณฑ์จะแสดง ด้วยรูปภาพขาวดำขนาดเล็ก ผลิตภัณฑ์เหล่านี้เน้นมีประโยชน์กับผู้ใช้สามารถดูภาพรวมด่วนของแผนที่ ดังนั้น มันจะดีเมื่อผลิตภัณฑ์เหล่านี้หมายถึงกลุ่มของสินค้าในแผนที่นี้ นี้แล้ว โดยผลิตภัณฑ์ในแผนที่ที่ใช้คลัสเตอร์ [17] k-หมายถึง คลัสเตอร์แรก เราตัดสินใจทำ k-วิธีการคลัสเตอร์บนแผนที่ Z แทนคลัสเตอร์ตามลำดับชั้นขั้นตอนใน dissimilarities เดิมด้วยเหตุผลสองประการ แรก ขั้นตอนนี้และรวดเร็ว กว่า ที่ สอง มันสอดคล้องกับการแสดงภาพประกอบเพลง กล่าวคือ มีไม่ทับซ้อนระหว่างคลัสเตอร์ในแผนที่ ในแต่ละคลัสเตอร์ ผลิตภัณฑ์หนึ่งจะเลือกเน้นนั่นคือ ผลิตภัณฑ์ใกล้เคียงกับศูนย์คลัสเตอร์ตามแบบยุคลิดในส่วน 17.6 แสดงต้นแบบของวิธีการนี้ใช้แค็ตตาล็อกผลิตภัณฑ์ของเล่น MP3

ผลลัพธ์ (ไทย) 2:

เราลดσr (Z) โดยใช้อัลกอริทึม SMACOF [10] ซึ่งอยู่บนพื้นฐาน majorization.
หนึ่งในข้อดีของวิธีนี้ก็คือว่ามันเป็นที่เหมาะสมได้อย่างรวดเร็วและ
ที่ซ้ำให้ผลผลิตดีขึ้น monotonically ค่าความเครียดและความแตกต่าง
ระหว่างการประสานงานการฝึกอบรมตามมา converges Z ให้เป็นศูนย์ [10] สถานที่แห่งนี้
มีความสำคัญและผลที่ตามมาที่สำคัญสำหรับการสร้างภาพแบบไดนามิก: ขั้นตอนวิธีการ
ผลิตเปลี่ยนแปลงไปยังจุดที่ราบรื่นในการแสดงที่นำไปสู่ ​​(ท้องถิ่น) ขั้นต่ำ
ของการแก้ปัญหา (17.5) ผลวัตถุที่เป็นไปตามวิถีที่เรียบบนหน้าจอ.
แผนที่ที่เกิดอาจจะดูอย่างท่วมท้นให้กับผู้ใช้เมื่อจำนวน
สินค้าที่มีขนาดใหญ่ เพื่อให้แผนที่น่าสนใจมากขึ้นให้กับผู้ใช้จำนวนเล็ก ๆ ของ
ผลิตภัณฑ์ที่เป็นไฮไลต์ด้วยการแสดงภาพสีขนาดและเต็มรูปแบบขนาดใหญ่ขณะที่อื่น ๆ
ผลิตภัณฑ์ที่มีตัวแทนจากภาพขาวดำที่มีขนาดเล็ก เน้นผลิตภัณฑ์เหล่านี้
จะเป็นประโยชน์ให้กับผู้ที่จะได้รับภาพรวมอย่างรวดเร็วของแผนที่ ดังนั้นจึงเป็นสิ่งที่ดี
เมื่อผลิตภัณฑ์เหล่านี้เป็นตัวแทนของกลุ่มที่แตกต่างของผลิตภัณฑ์ในแผนที่นี้ นี้ถูก
ทำโดยการจัดกลุ่มแรกผลิตภัณฑ์ในแผนที่โดยใช้ k หมายถึงการจัดกลุ่ม [17] เรา
ตัดสินใจที่จะดำเนินการจัดกลุ่ม k-Z หมายถึงบนแผนที่แทนการจัดกลุ่มตามลำดับชั้น
ขั้นตอนเกี่ยวกับความแตกต่างเดิมด้วยเหตุผลสองประการ ครั้งแรกขั้นตอนนี้
ได้เร็วขึ้นและที่สองก็มีความสอดคล้องกับการสร้างภาพ, ที่อยู่, มีการทับซ้อนไม่มี
ระหว่างกลุ่มในแผนที่ ในแต่ละกลุ่มซึ่งเป็นหนึ่งในผลิตภัณฑ์ที่ได้รับการคัดเลือกจะได้รับการไฮไลต์
ที่เป็นผลิตภัณฑ์ที่ใกล้เคียงกับศูนย์คลัสเตอร์ขึ้นอยู่กับระยะทางยุคลิด.
ในมาตรา 17.6 เราจะแสดงต้นแบบของวิธีการนี้ใช้แคตตาล็อกผลิตภัณฑ์ของ
MP3-

ผลลัพธ์ (ไทย) 3:

เราลดσ r ( Z ) โดยใช้ขั้นตอนวิธี smacof [ 10 ] ซึ่งจะขึ้นอยู่กับ majorization .
ข้อดีของวิธีนี้คือว่ามันเป็นที่เหมาะสมและรวดเร็ว
ที่ซ้ำผลผลิตดีขึ้น monotonically ความเครียดและความแตกต่างระหว่างค่า
ตามมาประสานงานเมทริกซ์ Z เข้าสู่ศูนย์ [ 10 ] คุณสมบัตินี้
มีสําคัญ และที่สําคัญ ผลสำหรับภาพแบบไดนามิก : ขั้นตอนวิธี
สร้างการเปลี่ยนแปลงที่ราบรื่นกับจุดในการแสดงผลที่นำไปสู่ ( ท้องถิ่น ) ขั้นต่ำ
แก้ไข ( 17.5 ) ในผล , วัตถุตามเส้นทางเรียบบนหน้าจอ ซึ่งอาจจะดูยุ่งยาก
แผนที่ให้ผู้ใช้เมื่อจำนวน
สินค้ามีขนาดใหญ่ เพื่อให้แผนที่น่าสนใจมากขึ้นให้กับผู้ใช้ จำนวนเล็ก ๆของผลิตภัณฑ์โดยเน้นการแสดง
ขนาดใหญ่และภาพสีเต็มรูปแบบในขณะที่ผลิตภัณฑ์อื่น
จะแสดงโดยขนาดเล็กขาวดํารูปภาพ เหล่านี้เน้นผลิตภัณฑ์
จะช่วยให้ผู้ใช้เพื่อให้ได้ภาพรวมอย่างรวดเร็วของแผนที่ ดังนั้น , มันเป็นสิ่งที่ดี
เมื่อผลิตภัณฑ์เหล่านี้เป็นตัวแทนของกลุ่มผลิตภัณฑ์ในแผนที่นี้ นี้คือ
เสร็จ โดยก่อนการจัดกลุ่มผลิตภัณฑ์ในแผนที่การใช้ k-means การจัดกลุ่ม [ 17 ] เรา
ตัดสินใจที่จะดำเนินการ k-means การจัดกลุ่มบนแผนที่ Z แทนของการจัดกลุ่มลำดับชั้น
ขั้นตอนใน dissimilarities ต้นฉบับสำหรับสองเหตุผล ก่อน ขั้นตอนนี้
ได้เร็วขึ้น และ สอง มันสอดคล้องกับภาพ นั่นคือ ไม่มีทับซ้อน
ระหว่างกลุ่มในแผนที่ ในแต่ละกลุ่ม หนึ่ง ผลิตภัณฑ์ เลือกที่จะเน้น
นั่นคือสินค้าที่ใกล้เคียงกับคลัสเตอร์ศูนย์ตามระยะทางแบบยุคลิด .
ในส่วนของ TISCO เราแสดงต้นแบบของวิธีการนี้ใช้แคตตาล็อกสินค้า

ของผู้เล่น MP3