clustering outputs of two methods s

clustering outputs of two methods should be interpreted only from managerial perspectives, rather than from numerical perspectives
based on evaluation metrics such as intra-cluster compactness or inter-cluster separability”. This position has been recognized
in many data mining process methodologies including CRISP-DM ([55]; www.crisp-dm.org) where the first phase is
Business Understanding (which includes the definition of Data Mining Goals and Success criteria), and later phases such
as Modeling (i.e. Data Mining) and Evaluation being based on the Data Mining Goals and Success criteria. For as noted by
Kurgan and Musilek [40], with regards to data mining ‘‘The general research trends were concentrated on the development of
new and improved DM algorithms rather than on the support for other KD activities. . .Before any attempt can be made to perform
the extraction of this useful knowledge, an overall approach that describes how to extract knowledge needs to be established”. This
statement is relevant for data mining in general, and in particular for undirected learning techniques such as clustering,
where often it is assumed that there is in fact a single partitioning (i.e. segmentation) that is the appropriate one for a given
dataset irrespective of subjective factors. For example, Halkidi et al. [32], listed the following steps for the clustering process:
Variable Selection, Clustering Algorithm Selection, Validation of Results, and Interpretation. The reader may observe that
although a process was specified for the clustering exercise that it did not include the specification of user-specified goals
for the clustering exercise. On the other hand more recent DM process methodologies (e.g. [17,40,55]) assume that for clustering
and other data mining problems, particularly those that occur within the business context, that there are ‘subjective’,
problem specific clustering goals and success criteria beyond measures that are related to internal assessment of cluster
quality.
In this paper we focus on illustrating how a generic data mining process model could be adapted for clustering. While in
an earlier work [50] we focused on the case where only decision trees were used to describe the segmentation (i.e. set of
clusters), in this work we focus on the case where assessment is done explicitly by the domain expert(s) in order to determine
the most appropriate segmentation based on the specified goals of the data mining project. The fundamental assumption
is that while the domain expert possesses the skill to make a good evaluation as to the appropriateness of a given
segmentation, he/she is unable to evaluate more than a specified number of segmentations despite the fact that a large number
of them might have been generated. The aim is to develop a technique that could empower domain experts to do this
assessment in a non-burdensome way. This would offer a positive contribution to the DM process, and would encourage
these domain experts to do thorough experimentation and analysis without being overwhelmed by the task of analyzing
a significant number of segmentations. Given that this aspect of the DM process has not been adequately addressed by
the DM research community (e.g. [2,37,32]), the results of this project could be valuable to DM researchers and practitioners.
Zopounidis and Doumpos [61] noted that ‘‘When considering a discrete set of alternatives described by some criteria, there are
four different kinds of analyses that can be performed in order to provide significant support to decision-makers: (1) to identify the
best alternative or select a limited set of the best alternatives, (2) to construct a rank ordering of the alternatives from the best to
the worst ones, (3) to classify/sort the alternatives into predefined homogenous groups, (4) to identify the major distinguishing features
of the alternatives and perform their description based on these features”. Within this context, our research problem can be
considered to involve selecting a limited set of the ‘best’ segmentations by the domain expert.

ผลลัพธ์ (ไทย) 1:

ผลการจัดกลุ่มของทั้งสองวิธีการควรจะตีความเฉพาะจากมุมมองของการบริหารจัดการมากกว่าจากมุมมองที่ตัวเลข
ขึ้นอยู่กับตัวชี้วัดการประเมินผลดังกล่าวเป็นปึกแผ่นภายในกลุ่มหรือแยกระหว่างคลัสเตอร์ " ตำแหน่งนี้ได้รับการยอมรับ
ในข้อมูลหลายวิธีการทำเหมืองแร่กระบวนการรวมถึงกรอบ DM ([55]; www.crisp-dm.org) ซึ่งระยะแรกเป็น
ความเข้าใจทางธุรกิจ (ซึ่งรวมถึงการกำหนดเป้​​าหมายการทำเหมืองข้อมูลและเกณฑ์ความสำเร็จ) และขั้นตอนต่อมาเช่น
การสร้างแบบจำลอง (เช่นการทำเหมืองข้อมูล) และการประเมินผลการขึ้นอยู่กับเป้าหมายของการทำเหมืองข้อมูลและเกณฑ์ความสำเร็จ การตามที่ระบุไว้โดย
Kurgan และ musilek [40] ที่เกี่ยวกับการทำเหมืองข้อมูล'' แนวโน้มการวิจัยทั่วไปมีความเข้มข้นในการพัฒนา
ขั้นตอนวิธีการ: dm ใหม่และปรับปรุงมากกว่าการสนับสนุนสำหรับกิจกรรม KD อื่น ๆ . . ก่อนที่จะพยายามใด ๆ ที่สามารถทำเพื่อดำเนิน
สกัดความรู้ที่เป็นประโยชน์วิธีการโดยรวมที่อธิบายถึงวิธีที่จะดึงความรู้ที่จะต้องมีการจัดตั้ง "
งบนี้จะเกี่ยวข้องกับการทำเหมืองข้อมูลโดยทั่วไปและโดยเฉพาะอย่างยิ่งสำหรับเทคนิคการเรียนรู้ไม่มีทิศทางเช่นการจัดกลุ่ม
ที่มักจะสันนิษฐานว่ามีในความเป็นจริงการแบ่งเดียว (เช่นการแบ่งส่วน) ที่เป็นหนึ่งที่เหมาะสมสำหรับชุดที่ได้รับ
โดยไม่คำนึงถึงปัจจัยอัตนัย ตัวอย่างเช่น halkidi ตอัล [32] ที่ระบุขั้นตอนต่อไปนี้สำหรับขั้นตอนการจัดกลุ่ม:
เลือกตัวแปรการเลือกขั้นตอนวิธีการจัดกลุ่มการตรวจสอบของผลและการตีความ ผู้อ่านอาจจะสังเกตเห็นว่า
แม้ว่ากระบวนการที่ถูกระบุไว้สำหรับการออกกำลังกายการจัดกลุ่มว่ามันไม่ได้รวมถึงคุณสมบัติของผู้ใช้ระบุเป้าหมาย
สำหรับการออกกำลังกายการจัดกลุ่ม ในทางกลับกันวิธีการกระบวนการ: dm ล่าสุด (เช่น [17,40,55]) คิดว่าสำหรับการจัดกลุ่ม
และปัญหาการทำเหมืองข้อมูลอื่น ๆ โดยเฉพาะอย่างยิ่งที่เกิดขึ้นในบริบททางธุรกิจที่มี 'ส่วนตัว',
ปัญหาการจัดกลุ่มเป้าหมายและเกณฑ์ความสำเร็จที่เฉพาะเจาะจงเกินกว่ามาตรการที่เกี่ยวข้องกับการประเมินภายในของคลัสเตอร์ที่มีคุณภาพ
.
ในบทความนี้เราจะมุ่งเน้นไปที่แสดงวิธีการทำเหมืองข้อมูลทั่วไปรูปแบบกระบวนการสามารถนำไปปรับใช้สำหรับการจัดกลุ่ม ในขณะที่ใน
ทำงานก่อนหน้านี้ [50] ที่เรามุ่งเน้นไปที่กรณีที่ต้นไม้ตัดสินใจเพียง แต่ถูกนำมาใช้ในการอธิบายถึงการแบ่งส่วน (เช่นชุดของกลุ่ม
)ในงานนี้เรามุ่งเน้นไปที่กรณีที่การประเมินจะทำอย่างชัดเจนโดยผู้เชี่ยวชาญโดเมน (s) เพื่อตรวจสอบ
แบ่งส่วนที่เหมาะสมที่สุดตามเป้าหมายที่กำหนดไว้ของโครงการทำเหมืองข้อมูล สมมติฐานพื้นฐาน
คือในขณะที่ผู้เชี่ยวชาญโดเมนที่มีความสามารถที่จะทำให้การประเมินผลที่ดีเป็นความเหมาะสมของการแบ่งส่วนให้
,เขา / เธอไม่สามารถที่จะประเมินได้มากกว่าจำนวนที่ระบุ segmentations แม้จะมีความจริงที่ว่าจำนวนมาก
คนอาจได้รับการสร้างขึ้น จุดมุ่งหมายคือการพัฒนาเทคนิคที่จะช่วยให้ผู้เชี่ยวชาญโดเมนที่จะทำเช่นนี้
การประเมินในทางที่ไม่เป็นภาระ นี้จะมีผลในเชิงบวกต่อกระบวนการ: dm และจะสนับสนุนให้
ผู้เชี่ยวชาญโดเมนเหล่านี้จะทำการทดลองและการวิเคราะห์อย่างละเอียดโดยไม่ถูกครอบงำโดยงานของการวิเคราะห์
จำนวนมาก segmentations ที่กำหนดว่าลักษณะของกระบวนการ: dm นี้ยังไม่ได้รับการแก้ไขอย่างเพียงพอโดย
ชุมชนการวิจัย: dm (เช่น [2,37,32]) ผลของโครงการนี​​้จะเป็นประโยชน์ต่อนักวิจัยและ dm ปฏิบัติ.
zopounidis และ doumpos [61] ตั้งข้อสังเกตว่า'' เมื่อพิจารณาชุดต่อเนื่องของทางเลือกที่อธิบายไว้ตามเกณฑ์บางอย่างมี
สี่ชนิดที่แตกต่างกันของการวิเคราะห์ที่สามารถดำเนินการเพื่อที่จะให้การสนับสนุนที่สำคัญให้กับผู้มีอำนาจตัดสินใจ: (1) ในการระบุ
เลือกที่ดีที่สุดหรือเลือกชุด จำกัด ของทางเลือกที่ดีที่สุด(2) การสั่งซื้อที่จะสร้างตำแหน่งของทางเลือกจากที่ดีที่สุดที่จะ
คนที่เลวร้ายที่สุด (3) การจำแนก / ทางเลือกในการจัดเรียงเป็นกลุ่มที่กำหนดไว้ล่วงหน้าเหมือนกัน (4) ในการระบุลักษณะเด่นที่สำคัญของทางเลือก
และดำเนินการของพวกเขา คำอธิบายตามคุณสมบัติเหล่านี้ " ในบริบทนี้ปัญหาการวิจัยของเราสามารถ
การพิจารณาที่เกี่ยวข้องกับการเลือกชุด จำกัด ของ 'ดี' segmentations โดยผู้เชี่ยวชาญโดเมน

ผลลัพธ์ (ไทย) 2:

คลัสเตอร์แสดงผลของวิธีที่สองควรจะตีความ จากมุมมองการบริหารจัดการเท่านั้น ไม่ ใช่ จากมุมมองตัวเลข
ตามวัดประเมินเช่นคลัสเตอร์ intra compactness หรือคลัสเตอร์ระหว่าง separability " ตำแหน่งนี้รับรู้
ในหลายข้อมูลเหมืองกระบวนวิธีรวมกรอบ DM ([55]; www.crisp-dm.org) ซึ่งเป็นเฟสแรก
เข้าใจธุรกิจ (ซึ่งรวมถึงข้อกำหนดของเงื่อนไขข้อมูลเป้าหมายทำเหมืองแร่และความสำเร็จ), และในภายหลังเช่นเฟส
เป็นโมเดล(ทำเหมืองเช่นข้อมูลแร่) และการประเมินผลเป็นไปตามเกณฑ์ข้อมูลเป้าหมายทำเหมืองแร่และประสบความสำเร็จ สำหรับเสียงโดย
Kurgan และ Musilek [40], เกี่ยวกับการทำเหมืองข้อมูล "แนวโน้มการวิจัยทั่วไปเข้มข้นในการพัฒนา
กระบวน DM ได้รับการ พัฒนา มากกว่าการสนับสนุนสำหรับกิจกรรมอื่น ๆ KDก่อนที่ความพยายามใด ๆ จะทำ
สกัดความรู้นี้มีประโยชน์ วิธีการทั้งหมดที่อธิบายวิธีการขยายความรู้จำเป็นต้องสร้าง " นี้
งบจะเกี่ยวข้องกับการทำเหมืองข้อมูลแร่ทั่วไป และโดยเฉพาะอย่างยิ่งสำหรับเทคนิคเรียน undirected เช่นคลัสเตอร์,
ซึ่งมักจะมีสมมติว่ามีจริงพาร์ทิที่เดียวชัน (เช่นแบ่ง) ที่เป็นหนึ่งที่เหมาะสมสำหรับการกำหนด
ชุดข้อมูลโดยไม่คำนึงถึงปัจจัยตามอัตวิสัย ตัวอย่าง Halkidi et al. [32], แสดงขั้นตอนต่อไปนี้สำหรับกระบวนการระบบคลัสเตอร์:
เลือกตัวแปร เลือกอัลกอริทึมคลัสเตอร์ การตรวจสอบผลลัพธ์ และตีความ ผู้อ่านอาจสังเกตพบว่า
แม้ว่ากระบวนการที่ระบุในระบบคลัสเตอร์ที่ มันไม่มีเป้าหมายที่ผู้ใช้ระบุข้อมูลจำเพาะเกี่ยวกับ
ในระบบคลัสเตอร์ วิธีการกระบวนการ DM คงสุด (เช่น [17,40,55]) สมมุติว่าสำหรับคลัสเตอร์
และข้อมูลเหมืองแร่ ปัญหาอื่น ๆ โดยเฉพาะอย่างยิ่งผู้ที่เกิดขึ้นในบริบททางธุรกิจ มีตาม "อัตวิสัย",
ปัญหาเฉพาะคลัสเตอร์เป้าหมายและเกณฑ์ความสำเร็จนอกเหนือจากมาตรการที่เกี่ยวข้องเพื่อการประเมินภายในของคลัสเตอร์
คุณภาพ.
ในเอกสารนี้ เราเน้นแสดงวิธีการจำลองกระบวนการทำเหมืองข้อมูลทั่วไปสามารถดัดแปลงสำหรับคลัสเตอร์ ใน
[50] การงานก่อนหน้าเราเน้นกรณีที่ใช้เพื่ออธิบายการแบ่งกลุ่มเฉพาะต้นไม้ตัดสินใจ (เช่นชุดของ
คลัสเตอร์), ในงานนี้ เราเน้นกรณีที่ประเมินเสร็จอย่างชัดเจน โดย expert(s) โดเมนเพื่อกำหนด
แบ่งที่เหมาะสมที่สุดตามเป้าหมายของโครงการทำเหมืองข้อมูลที่ระบุ สมมติฐานพื้นฐาน
คือในขณะที่ผู้เชี่ยวชาญโดเมนมีทักษะเพื่อให้การประเมินที่ดีเป็นความของการกำหนด
แบ่ง จะไม่สามารถประเมินมากกว่าจำนวน segmentations ทั้ง ๆ ที่จำนวนมาก
นั้นอาจมีการสร้างได้ จุดมุ่งหมายคือการ พัฒนาเทคนิคที่สามารถอำนาจผู้เชี่ยวชาญโดเมนนี้
ประเมินในทางที่ไม่ใช่ที่เป็นภาระ นี้จะมีส่วนบวกกับกระบวนการ DM และจะมีกำลังใจ
ผู้เชี่ยวชาญโดเมนเหล่านี้จะทำการทดลองอย่างละเอียดและวิเคราะห์ไม่ถูกจมโดยงานวิเคราะห์
หลาย segmentations สำคัญ ที่นี้กว้างยาวของการ DM ไม่ได้รับอย่างเพียงพออยู่โดย
DM วิจัยชุมชน (เช่น [2,37,32]), ผลลัพธ์ของโครงการนี้อาจมีค่า DM นักวิจัยและผู้ได้
Zopounidis และ Doumpos [61] ไว้ที่ '' เมื่อพิจารณาชุดแยกกันทางเลือกโดยเกณฑ์บางอย่าง
4 ชนิดต่าง ๆ วิเคราะห์ที่สามารถดำเนินการเพื่อสนับสนุนสำคัญให้ผู้ผลิตตัดสินใจ: (1) เพื่อระบุ
ทางเลือกที่ดีที่สุด หรือเลือกทางเลือกดีที่สุด ชุดจำกัด (2) การสร้างการสั่งซื้ออันดับตัวเลือกจากส่วนการ
คนเลว, (3) การจัดประเภท/การเรียงลำดับทางเลือกเป็นกลุ่มให้ล่วงหน้า, (4) การระบุคุณสมบัติที่แตกต่างสำคัญ
ของทางเลือก และทำคำอธิบายขึ้นอยู่กับคุณลักษณะเหล่านี้ " ภายในบริบทนี้ ปัญหาวิจัยได้
ถือว่าเกี่ยวข้องกับการเลือกชุด segmentations 'สุด' โดยผู้เชี่ยวชาญโดเมนจำกัด

ผลลัพธ์ (ไทย) 3:

เอาต์พุตระบบคลัสเตอร์ของทั้งสองวิธีควรจะได้รับการตีความเฉพาะจากมุมมองในการบริหารจัดการมากกว่าจากตัวเลขมุมมอง
ตามเกณฑ์วัดการประเมินเช่นความกะทัดรัดและพกพากัน ภายใน กลุ่มหรือสามารถแยกได้ระหว่างกลุ่ม" ตำแหน่งนี้ได้รับการยอมรับว่าเป็น
ซึ่งจะช่วยในการทำเหมืองแร่การแสดงข้อมูลจำนวนมากรวมถึงกรอบ - DM ([ 55 ] www.crisp-dm.org) สถานที่ซึ่งช่วงแรกที่มี
ตามมาตรฐานธุรกิจความเข้าใจ(ซึ่งรวมถึงความละเอียดของข้อมูลการทำเหมืองแร่เป้าหมายความสำเร็จตามหลักเกณฑ์และ)และขั้นตอนใน ภายหลัง นั้น
ซึ่งจะช่วยในการสร้างแบบจำลอง(เช่น ข้อมูลการทำเหมืองแร่)และการประเมินผลการใช้ข้อมูลในการทำเหมืองแร่บรรลุเป้าหมายความสำเร็จตามหลักเกณฑ์และได้. สำหรับที่ระบุโดย
kurgan และ musilek [ 40 ]ด้วยขอแสดงความนับถือในการคัดกรองข้อมูลเรื่อง"การวิจัยทั่วไปที่กระจุกตัวในการพัฒนาของ
กิจกรรมต่างๆและได้รับการปรับปรุงใหม่ DM อัลกอริธึมมากกว่าในการสนับสนุน, kd อื่นๆ. .... ..ก่อนทำการใดๆสามารถทำการคัดลอก
ซึ่งจะช่วยให้มีความรู้ที่มีประโยชน์นี้วิธีการโดยรวมที่จะอธิบายถึงวิธีการในการดึงความรู้ความต้องการจะจัดตั้งขึ้น"
คำชี้แจงนี้เป็นข้อมูลที่เกี่ยวข้องเพื่อการทำเหมืองแร่ในทั่วไปและอยู่ในเฉพาะสำหรับเทคนิคการเรียนรู้ Darwin เช่นระบบคลัสเตอร์
ซึ่งก็มักจะได้รับการสันนิษฐานว่ามีอยู่ในความเป็นจริงแล้วการแบ่งพาร์ติชั่นเดียว(เช่นการแบ่งส่วน)ซึ่งเป็นหนึ่งที่เหมาะสมสำหรับให้
dataset ที่ไม่ต้องคำนึงถึงการเป็นปัจจัย ตัวอย่างเช่น halkidi et al . [ 32 ]ขั้นตอนต่อไปนี้สำหรับการทำงานแบบคลัสเตอร์ที่:ทางเลือก
แบบปรับได้หลายระดับในรายการคลัสเตอร์อัลกอริธึมการเลือกการตรวจสอบของการตีความและผล. ผู้อ่านอาจสังเกตว่า
ตามมาตรฐานแม้ว่ากระบวนการที่ได้รับการระบุสำหรับการออกกำลังกายระบบคลัสเตอร์ที่ว่ามันไม่ได้รวมถึงข้อมูลจำเพาะของเป้าหมายผู้ใช้ที่ระบุ
ซึ่งจะช่วยให้ระบบคลัสเตอร์สำหรับการออกกำลังกาย อีกด้านหนึ่งที่แสดงขั้นตอน DM มากขึ้นเมื่อไม่นานมานี้(เช่น [ 17,40,55 ])ที่จะต้องเป็นผู้รับผิดชอบในการแก้ปัญหาการทำเหมืองแร่คลัสเตอร์
และข้อมูลอื่นๆโดยเฉพาะผู้ที่เกิดขึ้นในบริบททางธุรกิจที่มี'อัตวิสัย'
เงื่อนไขความสำเร็จและบรรลุเป้าหมายปัญหาเฉพาะคลัสเตอร์นอกเหนือจากมาตรการที่เกี่ยวข้องกับการประเมิน ภายใน ของกลุ่ม
คุณภาพ .
ในเอกสารนี้เราเน้นไปที่แสดงให้เห็นว่ารุ่นของกระบวนการการทำเหมืองแร่ข้อมูลทั่วไปที่สามารถปรับให้เหมาะสำหรับระบบคลัสเตอร์ ในขณะที่อยู่ใน
ก่อนหน้างาน[ 50 ]เราให้ความสำคัญในกรณีที่ต้นไม้การตัดสินใจเท่านั้นจะถูกใช้เพื่ออธิบายถึงการแบ่งส่วน(เช่นชุด
คลัสเตอร์)ในงานนี้เราจะเน้นไปในกรณีที่มีการทำการประเมินผลการปฏิบัติงานอย่างชัดเจนโดยผู้เชี่ยวชาญโดเมน( S )ในการสั่งซื้อเพื่อดู
ซึ่งจะช่วยแบ่งที่เหมาะสมที่สุดโดยอยู่บนพื้นฐานของเป้าหมายที่กำหนดของโครงการการทำเหมืองแร่ข้อมูล ตั้งสมมุติฐานเบื้องต้น
ซึ่งจะช่วยเป็นที่โดเมนในขณะที่ผู้เชี่ยวชาญด้านมีความชำนาญในการทำให้การประเมินผลที่ดีในความเหมาะสมของ
ซึ่งจะช่วยให้การจัดกลุ่มที่เขา/เธอจะไม่สามารถประเมินมากกว่าจำนวนที่ระบุของ segmentations แม้ว่าจะมีความเป็นจริงที่ว่าจำนวนขนาดใหญ่
ซึ่งจะช่วยของพวกเขาอาจจะได้รับการสร้างขึ้น ตั้งเป้าที่จะพัฒนาเทคนิคที่ไม่สามารถเพิ่ม ประสิทธิภาพ ให้กับผู้เชี่ยวชาญด้านโดเมนในการทำสิ่งนี้
ซึ่งจะช่วยในการประเมินผลการปฏิบัติงานแบบหนักที่ โรงแรมแห่งนี้จะจัดให้บริการสนับสนุนในเชิงบวกที่จะดำเนินการ DM และจะส่งเสริมให้
ผู้เชี่ยวชาญด้านโดเมนนี้จะทดลองทำได้อย่างทั่วถึงและการวิเคราะห์โดยไม่มีอย่างท่วมท้นโดยงานของการวิเคราะห์
ซึ่งจะช่วยให้จำนวนมากของ segmentations ได้รับที่ด้านนี้ของกระบวนการ DM ที่ไม่มีการจัดการโดยชุมชนอย่างเพียงพอการวิจัย DM
(เช่น [ 2,37,32 ])ผลที่ได้จากโครงการนี้จะมีประโยชน์ต่อนักวิจัย DM และผู้ประกอบ.
zopounidis และ doumpos [ 61 ]ระบุไว้ว่า"เมื่อพิจารณาถึงตั้งค่าแบบแยกต่างหากของทางเลือกตามที่อธิบายไว้โดยใช้เกณฑ์บางแห่งที่นั่นมี
สี่ชนิดต่างๆของการวิเคราะห์ที่สามารถทำได้ในการที่จะให้การสนับสนุนอย่างมีนัยสำคัญไปยังผู้ที่ต้องตัดสินใจ( 1 )เพื่อระบุเป็นทางเลือกที่ดีที่สุด
ซึ่งจะช่วยได้หรือเลือกตั้งค่าจำกัด(มหาชน)ที่มีทางเลือกที่ดีที่สุด( 2 )ในการสร้างการสั่งซื้ออันดับหนึ่งของทางเลือกจากที่ดีที่สุดในการ
ซึ่งจะช่วยให้คนที่เลวร้ายที่สุด( 3 )เพื่อจัดหมวดหมู่/ ประเภท ทางเลือกให้เข้าไปในกลุ่มขนาดใหญ่ที่กำหนดไว้ล่วงหน้า( 4 )เพื่อระบุสำคัญโดดเด่นโดดเด่นไปด้วย
ซึ่งจะช่วยให้มีทางเลือกและการจัดการคำอธิบายของพวกเขาอยู่บนพื้นฐานของคุณลักษณะเหล่านี้". ในบริบทนี้ปัญหาด้านการวิจัยของเราสามารถที่จะตอบแทน
ได้รับการพิจารณาให้มีส่วนร่วมกับการเลือกตั้งค่าจำกัด(มหาชน)ที่ดีที่สุดของ'' segmentations โดยผู้เชี่ยวชาญด้านโดเมน