Missing values is an actual yet cha

Missing values is an actual yet challenging issue confronted
in researches in machine learning and data mining. Missing
values may generate bias and negatively affect the quality
of the supervised learning process or the performance of
data clustering algorithm [20], [21]. In fact, general analysis
methods, such as principle component analysis [9], multivariate
supervised classification or clustering analysis, require a
complete data matrix. Dealing with missing values is to find
an approach with the ability to fill in these previously unknown
whilst maintaining (or approximate as closely as possible) the
original distribution of the data under examination. Imputation
is a term that denotes a procedure of replacing the missing
values in a dataset by some plausible values. Missing data are
often replaced by zeros or less often, by an average expression
over the row, or ’row average’ [1]. These statistical approaches
are rarely optimal, since they do not take into consideration
the correlation structure represented within the data.

ผลลัพธ์ (ไทย) 1:

ค่าขาดหายไปเป็นแท้จริงแต่ความท้าทายที่เผชิญปัญหา
ในงานวิจัยในการเรียนรู้ของเครื่องและการทำเหมืองข้อมูล ขาด
ค่าอาจสร้างอคติ และส่งผลเสียต่อคุณภาพ
ของกระบวนการเรียนรู้ที่มีประสิทธิภาพของ
ข้อมูลคลัสเตอร์อัลกอริทึม [20], [21] ในความเป็นจริง การวิเคราะห์ทั่วไป
วิธีการ เช่นการวิเคราะห์ส่วนประกอบหลัก [9], multivariate
ต้องมีประเภทหรือคลัสเตอร์การวิเคราะห์ การ
เมตริกซ์ข้อมูลให้เสร็จสมบูรณ์ จัดการกับค่าที่หายไปคือการ หา
วิธีการสามารถกรอกข้อมูลเหล่านี้ไม่รู้จักก่อนหน้านี้
ขณะรักษา (หรือประมาณอย่างใกล้ชิดที่สุด)
แจกต้นฉบับของข้อมูลภายใต้การตรวจสอบ Imputation
เป็นคำที่แสดงถึงขั้นตอนของแทนหาย
ค่าในการชุดข้อมูล โดยค่าบางค่าที่เป็นไปได้ ข้อมูลหายไป
มักจะแทน ด้วยเลขศูนย์ หรือน้อยบ่อย โดยค่าเฉลี่ย
แถว หรือ 'เฉลี่ยแถว' [1] วิธีทางสถิติเหล่านี้
จะไม่ค่อยเหมาะสมที่สุด เนื่องจากพวกเขาไม่พิจารณา
โครงสร้างความสัมพันธ์ที่แสดงในข้อมูล

ผลลัพธ์ (ไทย) 2:

หายไปค่าเป็นปัญหาที่เกิดขึ้นจริงยังมีความท้าทายเผชิญหน้า
ในงานวิจัยในการเรียนรู้ของเครื่องและการทำเหมืองข้อมูล หายไป
ค่าอาจสร้างอคติและมีผลเสียต่อคุณภาพ
ของกระบวนการเรียนรู้ภายใต้การดูแลหรือประสิทธิภาพของ
ขั้นตอนวิธีการจัดกลุ่มข้อมูล [20], [21] ในความเป็นจริงการวิเคราะห์โดยทั่วไป
วิธีการเช่นการวิเคราะห์องค์ประกอบหลักการ [9] หลายตัวแปร
ดูแลการจัดหมวดหมู่หรือการวิเคราะห์การจัดกลุ่มต้องมี
เมทริกซ์ข้อมูลที่สมบูรณ์ การจัดการกับค่าที่ขาดหายไปคือการหา
วิธีการที่มีความสามารถในการกรอกข้อมูลในเหล่านี้ที่ไม่รู้จักก่อนหน้านี้
ขณะที่การรักษา (หรือใกล้เคียงมากที่สุด)
การจัดจำหน่ายเดิมของข้อมูลที่อยู่ภายใต้การตรวจสอบ ใส่ความ
เป็นคำที่หมายถึงขั้นตอนของการเปลี่ยนที่ขาดหายไป
ค่าในชุดข้อมูลโดยค่าที่เป็นไปได้บางส่วน ข้อมูลที่หายไปจะ
มักจะถูกแทนที่ด้วยค่าศูนย์หรือน้อยกว่ามักจะโดยการแสดงออกโดยเฉลี่ย
กว่าแถวหรือเฉลี่ยแถว '[1] เหล่านี้วิธีการทางสถิติ
ที่ไม่ค่อยดีที่สุดตั้งแต่พวกเขาไม่ได้คำนึงถึง
โครงสร้างความสัมพันธ์ที่เป็นตัวแทนของข้อมูลภายใน

ผลลัพธ์ (ไทย) 3:

ค่าสูญหายเป็นปัญหาที่แท้จริงที่ยังมีความท้าทายเผชิญ
ในงานวิจัยในการเรียนรู้ของเครื่องและเหมืองข้อมูล หายไป
ค่าอาจสร้างอคติและมีผลเสียต่อคุณภาพ
ของการเรียนรู้แบบมีผู้สอนกระบวนการหรือการปฏิบัติ
การจัดกลุ่มข้อมูลขั้นตอนวิธี [ 20 ] , [ 21 ] ในความเป็นจริง , วิธีการวิเคราะห์
ทั่วไป เช่น หลักการ การวิเคราะห์ตัวแปรพหุ
[ 9 ]มีการจำแนกหรือการวิเคราะห์ข้อมูลใช้ต้อง
ข้อมูลเมทริกซ์ที่สมบูรณ์ การจัดการกับค่าสูญหายหา
วิธีการที่มีความสามารถในการกรอกเหล่านี้ไม่รู้จัก
ก่อนหน้านี้ในขณะที่การรักษา ( หรือใกล้เคียงมากที่สุด )
จำหน่ายเดิมของข้อมูลภายใต้การตรวจสอบ การใส่ความ
เป็นคำที่หมายถึงกระบวนการของการแทนที่
ที่หายไปค่าในชุดข้อมูลโดยบางยี่ห้อค่า ข้อมูลที่ขาดหายไปจะถูกแทนที่โดยศูนย์หรือน้อยกว่า
บ่อยบ่อย โดยเฉลี่ยการแสดงออก
กว่าแถว หรือ แถว ' เฉลี่ย ' [ 1 ] เหล่านี้วิธีการทางสถิติ
ไม่ค่อยเหมาะสม เนื่องจากพวกเขาไม่พิจารณาโครงสร้างแสดงความสัมพันธ์
ภายในข้อมูล