According to this table, the cluste

According to this table, the cluster-based LLS imputation
method (CLLS) perform consistently better than the classical
KNN impute. This also holds true as compared to the two
cluster-based KNN models, i.e., CKNN and CWKNN. These
differences are obvious on Alpha, cyc.a and cyc.b, as compared
to the other three datasets. In addition, it is certain that CLLS is
generally more effective than the KM baseline over all the six
datasets. However, KM achieves reasonable results when the
level of missing value increases. As compared to the base line
model of LLS, CLLS can improve the accuracy of estimates in
all datasets examined herein. This improvement usually gets
larger with the amount of missing values. As for example,
Figs 1-3 show the focused comparisons of CLLS and LLS on
cyc.a, env and ta.crc, respectively.

ผลลัพธ์ (ไทย) 1:

ตามตารางนี้ imputation LLS ตามคลัสเตอร์
วิธี (CLLS) ทำอย่างสม่ำเสมอดีกว่าการคลาสสิก
KNN impute นี้ยังมีจริงเมื่อเทียบกับสอง
ตามคลัสเตอร์ KNN รุ่น เช่น CKNN และ CWKNN เหล่านี้
ความแตกต่างเป็นชัดเจนบนอัลฟา cyc.a และ cyc.b เทียบ
ไปสาม datasets อื่น ๆ นอกจากนี้ เป็นการ CLLS
โดยทั่วไปมีประสิทธิภาพมากขึ้นกว่าพื้นฐาน KM ผ่านทั้งหมด 6
datasets อย่างไรก็ตาม KM ได้รับผลที่สมเหตุสมผลเมื่อการ
ระดับการเพิ่มค่าที่ขาดหายไป เมื่อเทียบกับเส้นฐาน
รุ่น LLS, CLLS สามารถปรับปรุงความแม่นยำของการประเมินใน
datasets ทั้งหมดตรวจสอบนี้ได้ ปรับปรุงนี้จะได้รับ
ขนาดใหญ่ ด้วยจำนวนค่าที่ขาดหายไป สำหรับตัวอย่าง,
มะเดื่อ 1-3 แสดงการเปรียบเทียบเน้น CLLS LLS on
cyc.a, env และ ta.crc ตามลำดับ

ผลลัพธ์ (ไทย) 2:

ตามตารางนี้กลุ่มที่ใช้ LLS ใส่ร้าย
วิธี (CLLS) ดำเนินการอย่างต่อเนื่องที่ดีกว่าคลาสสิก
ใส่ร้าย KNN นอกจากนี้ยังถือเป็นจริงเมื่อเทียบกับสอง
รุ่นคือ CKNN และ CWKNN คลัสเตอร์ตาม KNN เหล่านี้
ความแตกต่างที่เห็นได้ชัดในอัลฟา cyc.a และ cyc.b เมื่อเทียบ
กับอีกสามชุด นอกจากนี้มันเป็นบางอย่างที่ CLLS เป็น
โดยทั่วไปมีประสิทธิภาพมากขึ้นกว่าพื้นฐาน KM ทั่วหก
ชุด อย่างไรก็ตาม KM บรรลุผลที่เหมาะสมเมื่อ
ระดับการเพิ่มขึ้นของค่าที่หายไป เมื่อเทียบกับเส้นฐาน
รูปแบบของ LLS, CLLS สามารถปรับปรุงความถูกต้องของการคาดการณ์ใน
ชุดข้อมูลทั้งหมดตรวจสอบในที่นี้ การปรับปรุงนี้มักจะได้รับ
ขนาดใหญ่ที่มีจำนวนของค่าที่ขาดหายไป เป็นเช่น
มะเดื่อ 1-3 แสดงการเปรียบเทียบเน้น CLLS และ LLS ใน
cyc.a env และ ta.crc ตามลำดับ

ผลลัพธ์ (ไทย) 3:

ตามตารางนี้ กลุ่มหรช. ใส่ความ
วิธีตาม ( clls ) ดำเนินการอย่างต่อเนื่องดีกว่า knn คลาสสิก
ใส่ความ นี้ยังถือเป็นจริงเมื่อเทียบกับสองรุ่นจาก knn
คลัสเตอร์ เช่น cknn และ cwknn . ความแตกต่างเหล่านี้
ชัดเจนในอัลฟ่า โดยทํางานร่วมกัน และโดยทํางานร่วมกัน B เทียบ
ไปอีกสามชุดข้อมูล นอกจากนี้ ยังมั่นใจว่า clls คือ
โดยทั่วไปมีประสิทธิภาพมากขึ้นกว่า km พื้นฐานทั่วหก
ชุดข้อมูล อย่างไรก็ตาม , km ใช้ผลที่สมเหตุสมผลเมื่อ
ระดับหายไปเพิ่มค่า เมื่อเทียบกับสาย
ฐานรูปแบบหรช. clls , สามารถปรับปรุงความถูกต้องของการประเมินใน
ทั้งหมดข้อมูลการตรวจสอบ ณ ที่นี้ การปรับปรุงนี้มักจะมีปริมาณของ
หายค่า
เป็นตัวอย่างมะเดื่อ 1 แสดงเน้นเปรียบเทียบและ clls หรช. โดยทํางานร่วมกันบน
. A , Env ta.crc ตามลำดับ