Compared with the other algorithms,

Compared with the other algorithms, DBSCAN fails miserably since it is
mainly defined in Euclidean space and suffers from the “curse of dimensionality”
and lack of manifold awareness. GDL, ST and SCDA, although based on the theory
that supports local density adaptation, are unable to maintain desirable performance
across all the datasets, which is mainly caused by their suboptimal local density approximations.
Originated from diffusion equations, kDM shows its stability on all
the three types of datasets/kernel functions. NJW has comparable performance on
Table 3.2 but not Table 3.3, partially due to that it does not have any correction for
local density bias.

ผลลัพธ์ (ไทย) 1:

เมื่อเทียบกับอัลกอริทึมอื่น ๆ DBSCAN ล้มเหลวไม่เป็นท่าเนื่องจากเป็นส่วนใหญ่กำหนดใน Euclidean พื้นที่ และทนทุกข์ทรมานจาก "คำสาปของมิติ"และขาดการรับรู้มากมาย GDL, ST และ SCDA แม้ว่าตามทฤษฎีการที่สนับสนุนการปรับตัวภายในความหนาแน่น ไม่ต้องทำงานเพื่อให้ทั้งหมด datasets ซึ่งส่วนใหญ่เกิดจากเพียงการประมาณความหนาแน่นภายในสภาพของพวกเขามาจากสมการการกระจาย kDM แสดงความเสถียรทั้งหมดชนิดที่สามของฟังก์ชัน datasets/เคอร์เนล NJW มีประสิทธิภาพเทียบเท่าตาราง 3.2 แต่ไม่ตาราง 3.3 บางส่วนเนื่องจากว่ามันไม่ได้มีการแก้ไขใด ๆความโน้มเอียงของความหนาแน่นภายใน

ผลลัพธ์ (ไทย) 2:

เมื่อเทียบกับขั้นตอนวิธีการอื่น ๆ DBSCAN ล้มเหลวอย่างน่าสังเวชตั้งแต่มันถูก
กำหนดไว้ส่วนใหญ่ในพื้นที่ Euclidean และทนทุกข์ทรมานจาก "คำสาปของมิติ"
และการขาดความตระหนักมากมาย GDL, ST และ SCDA แม้จะอยู่บนพื้นฐานของทฤษฎี
ที่สนับสนุนการปรับตัวความหนาแน่นของท้องถิ่นไม่สามารถที่จะรักษาประสิทธิภาพการทำงานที่พึงประสงค์
ทั่วชุดข้อมูลทั้งหมดซึ่งส่วนใหญ่เกิดจากการประมาณความหนาแน่นของพวกเขาก่อให้เกิดผลลัพธ์ในท้องถิ่น.
มาจากสมการแพร่ KDM แสดงให้เห็นถึงความมั่นคงของทุก
สามประเภทของชุดข้อมูล / ฟังก์ชั่นเคอร์เนล NJW มีประสิทธิภาพเทียบเคียงใน
ตารางที่ 3.2 แต่ไม่ตารางที่ 3.3 บางส่วนเนื่องจากว่ามันไม่ได้มีการแก้ไขใด ๆ สำหรับ
อคติความหนาแน่นของท้องถิ่น

ผลลัพธ์ (ไทย) 3:

เมื่อเทียบกับวิธีการอื่น ๆ dbscan ล้มเหลวไม่เป็นท่าเพราะมันคือส่วนใหญ่ใช้นิยามในพื้นที่และทนทุกข์ทรมานจาก " คำสาปของ dimensionality "และการขาดของนานาความรู้ GDL , ST และ scda แม้ว่าตามทฤษฎีที่สนับสนุนการปรับตัวของท้องถิ่น ไม่สามารถที่จะรักษาสมรรถนะที่พึงประสงค์ผ่านข้อมูลทั้งหมดซึ่งส่วนใหญ่เกิดจากความหนาแน่นของ suboptimal ท้องถิ่นการประมาณมาจากสมการการแพร่ , KDM แสดงความมั่นคงทั้งหมดสามประเภทของข้อมูล / เคอร์เนลฟังก์ชัน njw ที่มีประสิทธิภาพเทียบเท่าในตารางที่ 3.2 แต่ไม่ใช่ตารางที่ 3.3 , บางส่วนเนื่องจากว่ามันไม่ได้มีการแก้ไขสำหรับอคติของท้องถิ่น