3.1 Chapter IntroductionClustering,

3.1 Chapter Introduction
Clustering, the task of discovering natural groupings based on the input data
patterns, has been one of the most active research topics in machine learning and
knowledge discovery. As a powerful unsupervised data analysis technique, clustering
is especially desirable for modeling large datasets because the tedious and often
inconsistent manual classification and labeling process can be avoided. While many
traditional clustering algorithms have been developed over the past few decades
[74] [42], some popular ones that emerged over the last decade generate promising
results on various challenging tasks. Among them, spectral clustering [109] [126]
[157] [25] [16] [146] demonstrates excellent performance to detect clusters with
complex shapes and complicated input space distributions.

ผลลัพธ์ (ไทย) 1:

3.1 บทนำคลัสเตอร์ งานการสำรวจการจัดกลุ่มธรรมชาติตามข้อมูลป้อนเข้ารูปแบบ มีหนึ่งหัวข้อวิจัยมากที่สุดในการเรียนรู้ของเครื่อง และการค้นหาความรู้ เป็นเทคนิคการวิเคราะห์ข้อมูลขั่วที่มีประสิทธิภาพ คลัสเตอร์เป็นที่พึงปรารถนาอย่างยิ่งสำหรับชุดข้อมูลขนาดใหญ่ในการสร้างโมเดลเนื่องจากความน่าเบื่อ และมักจะจัดประเภทด้วยตนเองที่สอดคล้องและกระบวนการติดฉลากสามารถหลีกเลี่ยง ในขณะที่หลาย ๆอัลกอริทึมระบบคลัสเตอร์แบบดั้งเดิมได้รับการพัฒนาไม่กี่ทศวรรษ[74] [42], บางคนนิยมที่โผล่ออกมามากกว่าทศวรรษสร้างสัญญาผลลัพธ์ในงานที่ท้าทายต่าง ๆ ในหมู่พวกเขา สเปกตรัมคลัสเตอร์ [109] [126][157] [25] [16] [146] อธิบายประสิทธิภาพการตรวจสอบคลัสเตอร์ด้วยซับซ้อนของรูปร่าง และมีความซับซ้อนการกระจายพื้นที่ป้อนข้อมูล

ผลลัพธ์ (ไทย) 2:

3.1 บทบทนำ
การจัดกลุ่มงานการจัดกลุ่มของการค้นพบธรรมชาติบนพื้นฐานของข้อมูลที่ป้อนเข้า
รูปแบบได้รับหนึ่งในหัวข้อการวิจัยที่ใช้งานมากที่สุดในการเรียนรู้เครื่องและ
ค้นพบความรู้ ในฐานะที่เป็นข้อมูลที่ใกล้ชิดเทคนิคการวิเคราะห์ที่มีประสิทธิภาพ, การจัดกลุ่ม
เป็นที่พึงปรารถนาอย่างยิ่งสำหรับการสร้างแบบจำลองชุดข้อมูลขนาดใหญ่เพราะน่าเบื่อและมักจะ
ไม่สอดคล้องคู่มือการจำแนกประเภทและการติดฉลากกระบวนการสามารถหลีกเลี่ยงได้ ในขณะที่หลาย
ขั้นตอนวิธีการจัดกลุ่มแบบดั้งเดิมได้รับการพัฒนาขึ้นในช่วงไม่กี่ทศวรรษที่ผ่านมาที่ผ่านมา
[74] [42] บางคนนิยมที่เกิดขึ้นในช่วงทศวรรษที่ผ่านมามีแนวโน้มสร้าง
ผลงานที่มีความท้าทายต่างๆ ในหมู่พวกเขาจัดกลุ่มสเปกตรัม [109] [126]
[157] [25] [16] [146] แสดงให้เห็นถึงประสิทธิภาพที่ดีเยี่ยมในการตรวจสอบกลุ่มที่มี
รูปทรงที่ซับซ้อนและกระจายเข้าพื้นที่ที่มีความซับซ้อน

ผลลัพธ์ (ไทย) 3:

3.1 บทเบื้องต้นข้อมูล งานค้นพบธรรมชาติกลุ่มบนพื้นฐานของข้อมูลที่ป้อนรูปแบบ , ได้รับหนึ่งในการใช้งานมากที่สุดหัวข้อวิจัยและการเรียนรู้ในเครื่องการค้นพบความรู้ เป็นเทคนิคที่ใช้ในการวิเคราะห์ข้อมูล โดยขาดการดูแลที่มีประสิทธิภาพสำหรับเป็นที่น่าพอใจโดยเฉพาะอย่างยิ่งสำหรับการสร้างแบบจำลองข้อมูลขนาดใหญ่ เพราะน่าเบื่อ และมักจะคู่มือการจำแนกประเภทและการติดฉลากกระบวนการไม่สามารถหลีกเลี่ยงได้ ในขณะที่หลาย ๆการจัดกลุ่มขั้นตอนวิธีแบบดั้งเดิมได้ถูกพัฒนาขึ้นในช่วงไม่กี่ทศวรรษ[ 74 ] [ 42 ] บางความนิยมที่โผล่ออกมาเหนือทศวรรษสุดท้ายสร้างสัญญาผลลัพธ์ที่ท้าทายงานต่าง ๆ ในหมู่พวกเขา การแบ่งกลุ่ม [ 109 ] [ 126 ][ 157 ] [ 25 ] [ 16 ] [ 146 ] แสดงให้เห็นถึงประสิทธิภาพที่ยอดเยี่ยม ตรวจจับกลุ่มกับรูปร่างที่ซับซ้อนและซับซ้อนเข้าพื้นที่การกระจาย .