Also, weights wi j can be specified

Also, weights wi j can be specified to force some dissimilarities to be fit better than
others.

The dissimilarity measure we use is able to handle missing values. However, dissimilarities
based on only a couple of nonmissing (and maybe even unimportant)
attributes are more unreliable than dissimilarities for which no dissimilarity scores
were missing. Therefore, the latter should receive higher weights. This can be done
by defining the weights to be used in (17.5) as the weighted proportion of nonmissing
attributes used for pair i j

ผลลัพธ์ (ไทย) 1:

ยัง คุณสามารถระบุน้ำหนักอินเตอร์เจบังคับบาง dissimilarities ให้พอดีดีกว่าผู้อื่นวัด dissimilarity ที่เราใช้จะสามารถจัดการกับค่าที่หายไป อย่างไรก็ตาม dissimilaritiesตามเที่ยว nonmissing (และบางทีแม้ไม่สำคัญ)แอตทริบิวต์ไม่น่าเชื่อถือกว่า dissimilarities สำหรับที่คะแนนไม่ dissimilarityได้หายไป ดังนั้น หลังควรได้น้ำหนักสูง นี้สามารถทำได้โดยกำหนดน้ำหนักเพื่อใช้ใน (17.5) เป็นสัดส่วนน้ำหนักของ nonmissingแอตทริบิวต์ใช้สำหรับคู่ฉันเจ

ผลลัพธ์ (ไทย) 2:

นอกจากนี้เจไร้น้ำหนักสามารถระบุความแตกต่างในการบังคับที่จะเป็นแบบที่ดีกว่า
คนอื่น ๆ . วัดความแตกต่างที่เราใช้จะสามารถจัดการกับค่าที่ขาดหายไป แต่ความแตกต่างขึ้นอยู่กับเพียงไม่กี่ nonmissing (และอาจจะไม่สำคัญ) คุณลักษณะที่มีมากขึ้นไม่น่าเชื่อถือกว่าความแตกต่างที่ไม่มีคะแนนแตกต่างกันได้หายไป ดังนั้นหลังควรจะได้รับน้ำหนักสูง ซึ่งสามารถทำได้โดยการกำหนดน้ำหนักที่จะใช้ใน (17.5) ในขณะที่สัดส่วนถ่วงน้ำหนักของ nonmissing คุณลักษณะที่ใช้สำหรับคู่เจ

ผลลัพธ์ (ไทย) 3:

นอกจากนี้ ยกน้ำหนัก วี เจ สามารถระบุที่จะบังคับ dissimilarities จะพอดีดีกว่า

จะวัดอื่นๆ ที่เราใช้สามารถจัดการหายไปค่า อย่างไรก็ตาม dissimilarities
โดยเฉพาะคู่ของ nonmissing ( และอาจจะไม่สำคัญ )
คุณสมบัติจะไม่น่าเชื่อถือมากกว่า dissimilarities ซึ่งไม่มีความแตกต่างคะแนน
ที่หายไป ดังนั้นหลังต้องรับน้ำหนักสูง นี้สามารถทำได้โดยการกำหนดน้ำหนัก
เพื่อใช้ใน ( 17.5 ) ตามสัดส่วนน้ำหนักของ nonmissing
J
คู่ผมใช้แอตทริบิวต์