If consider that SFS matrix is a se

If consider that SFS matrix is a set of features f1 (x)....fi (x) where
x is excitation-emission coordinate, the applicable dissimilarity
measure for SFS objects space is weighted Minkowski metric. The
dimension of SFS feature space is high (25  40 = 1000) thus the
selected metric is exposed to the detrimental effects of curse of
the dimensionality, a term introduced by Bellman in 1961 (Beyer,
Goldstein, Ramakrishnan, & Shaft, 1999).
It is proposed to use feature extraction method to extract the
relevant information from SFS data and thereby suppress dimensionality
effect.
It is assumed that for the selected dataset of juice products the
needed information is carried in the variance of the features.
Thereby Principal Component Analysis (PCA) was selected as
method to extract the relevant features from data. The linear transformation
employed by PCA method is based on preserving the
most variance in the data using reduced to a minimum number
of dimensions. Using linear transformation the high-dimensional
data is embedded in low dimensional Principal Component (PC)
space where the new uncorrelated features have the best represent
of entire data (Shlens, 2009). As will be shown later two first PCs
with highest variance provide robust classification of juice product
type and also have clear interpretation within the bounds of SFS
terms.

ผลลัพธ์ (ไทย) 1:

หากพิจารณาว่า เมทริกซ์ SFS เป็นชุดของคุณลักษณะ f1 (x)...หา (x)x คือ กระตุ้นการปล่อยพิกัด ความแตกต่างกันที่เกี่ยวข้องวัดพื้นที่วัตถุ SFS จะถ่วงน้ำหนักตัวชี้วัดมินคอฟสกี การมิติของพื้นที่คุณลักษณะ SFS จะสูง (25 40 = 1000) ดังนั้นการเลือกวัดสัมผัสกับผลเสียของการสาปแช่งของคำแนะนำในปีค.ศ. 1961 (คุก ยาม มิติโกลด์สไตน์ Ramakrishnan และ เพลา 1999)จะเสนอให้ใช้วิธีการสกัดคุณลักษณะเพื่อแยกการข้อมูลที่เกี่ยวข้อง จากข้อมูล SFS และจึงระงับมิติผลมันจะสันนิษฐานที่สำหรับชุดข้อมูลที่เลือกของกระป๋องข้อมูลที่จำเป็นจะดำเนินในความแปรปรวนของคุณลักษณะจึงเลือกวิเคราะห์ส่วนประกอบหลัก (PCA) เป็นวิธีการแยกคุณลักษณะที่เกี่ยวข้องจากข้อมูล การแปลงเชิงเส้นการจ้างงาน โดย PCA วิธีตามการรักษาผลต่างที่มากที่สุดในข้อมูลที่ใช้ลดลงเป็นจำนวนขั้นต่ำมิติ ใช้สูงมิติการแปลงเชิงเส้นข้อมูลที่ฝังอยู่ในต่ำมิติหลักส่วนประกอบ (พีซี)พื้นที่ที่ uncorrelated ใหม่ ๆ จะเป็นตัวแทนที่ดีที่สุดข้อมูลทั้งหมด (Shlens, 2009) ดังจะแสดงสองหลังแรกเครื่องคอมพิวเตอร์การจัดประเภทผลิตภัณฑ์น้ำแข็งให้ผลต่างสูงสุดชนิด และยัง มีตีความชัดเจนภายในขอบเขตของ SFSข้อกำหนด

ผลลัพธ์ (ไทย) 2:

หากพิจารณาว่า SFS เมทริกซ์เป็นชุดของคุณลักษณะ F1 (x) .... Fi (x) ที่
x ถูกกระตุ้นการปล่อยก๊าซประสานงานที่แตกต่างกันบังคับ
วัดสำหรับ SFS วัตถุพื้นที่จะมีน้ำหนักตัวชี้วัดคอฟสกี
มิติของพื้นที่คุณลักษณะ SFS สูง (25? 40 = 1000) จึงเป็น
ตัวชี้วัดที่เลือกจะสัมผัสกับผลกระทบที่เป็นอันตรายของการสาปแช่งของ
มิติคำแนะนำโดยยามในปี 1961 (เบเยอร์
โกลด์สตี Ramakrishnan และเพลา, 1999) .
จะเสนอให้ใช้วิธีการสกัดคุณลักษณะในการดึง
ข้อมูลที่เกี่ยวข้องจากข้อมูล SFS และจึงปราบปรามมิติ
ผล.
มันจะสันนิษฐานว่าสำหรับชุดข้อมูลที่เลือกของผลิตภัณฑ์น้ำผลไม้
ข้อมูลที่จำเป็นจะดำเนินการในความแปรปรวนของคุณลักษณะ.
จึงวิเคราะห์องค์ประกอบหลัก (PCA) ได้รับเลือกเป็น
วิธีการที่จะดึงคุณสมบัติที่เกี่ยวข้องจากข้อมูล การเปลี่ยนแปลงเชิงเส้น
จ้างโดยวิธี PCA อยู่บนพื้นฐานของการรักษา
ความแปรปรวนมากที่สุดในข้อมูลการใช้ลดลงเป็นจำนวนขั้นต่ำ
ของมิติ โดยใช้การแปลงเชิงเส้นสูงมิติ
ข้อมูลที่ถูกฝังอยู่ในองค์ประกอบหลัก (PC) มิติต่ำ
พื้นที่ที่คุณสมบัติ uncorrelated ใหม่มีที่ดีที่สุดเป็นตัวแทน
ของข้อมูลทั้งหมด (Shlens 2009) ในฐานะที่จะแสดงต่อมาสองเครื่องคอมพิวเตอร์เป็นครั้งแรก
ที่มีความแปรปรวนสูงที่สุดให้จัดหมวดหมู่ที่แข็งแกร่งของผลิตภัณฑ์น้ำผลไม้
ชนิดและยังมีการตีความที่ชัดเจนภายในขอบเขตของ SFS
แง่

ผลลัพธ์ (ไทย) 3:

ถ้าพิจารณาว่า SFS เมทริกซ์คือชุดของลักษณะ F1 ( X ) . . . . . . . ฟี ( X ) ที่x คือกระตุ้นการประสานงาน จะบังคับในการวัดวัตถุอวกาศเป็น SFS ถ่วงน้ำหนักเมตริกมิงคอฟสกี . ที่มิติของ SFS คุณลักษณะพื้นที่สูง ( 25 40 = 1000 ) ดังนั้นตัวชี้วัดที่เลือกสัมผัสกับผลอันตรายของคำสาปการ dimensionality , คํานําโดยยามใน 1961 ( เบเยอร์ ,Goldstein , ramakrishnan และเพลา , 1999 )ได้เสนอให้ใช้วิธีการสกัดคุณลักษณะสกัดข้อมูลที่เกี่ยวข้องจากข้อมูลและ dimensionality SFS จึงระงับผลเป็นสันนิษฐานว่าเพื่อเลือกข้อมูลน้ำผลไม้ ผลิตภัณฑ์ต้องการข้อมูลจะดำเนินการในความแปรปรวนของความสามารถโดยการวิเคราะห์องค์ประกอบหลัก ( PCA ) ได้รับเลือกเป็นวิธีการสกัดคุณลักษณะที่เกี่ยวข้องจากข้อมูล การแปลงเชิงเส้นลูกจ้าง โดยวิธี PCA จะขึ้นอยู่กับการอนุรักษ์มากที่สุดในข้อมูลโดยใช้ความแปรปรวนลดลงเป็นจำนวนน้อยที่สุดของมิติ การแปลงเชิงเส้นสูง - มิติที่ใช้ข้อมูลที่ฝังอยู่ในมิติขององค์ประกอบหลัก ( PC ) ต่ำพื้นที่ที่ใหม่ uncorrelated มีมีที่ดีที่สุดเป็นตัวแทนข้อมูลทั้งหมด ( shlens , 2009 ) เป็นสองชิ้นแรกจะแสดงในภายหลังที่มีความแปรปรวนสูงให้หมวดหมู่ของผลิตภัณฑ์น้ำผลไม้ที่แข็งแกร่งชนิด และยังมีการตีความที่ชัดเจนภายในขอบเขตของ SFSเงื่อนไข