ตัวชี้วัดระยะทางที่แตกต่างกันได้รับการตรวจสอบสําหรับคลัสเตอร์ K-หมายถึงการรวมกลุ่มของข้อมูลตามสัดส่วน ระยะทาง Aitchison ได้รับการแสดงที่ดีที่สุดเกี่ยวกับการรวมกลุ่ม ระยะทางนี้สามารถใช้กับวิธีการคลัสเตอร์ประเภทต่างๆ การเริ่มต้นที่เหมาะสมสําหรับแบบจําลองส่วนผสมเป็นขั้นตอนสําคัญในการเรียนรู้ที่ไม่มีการดูแล [26] การใช้ระยะทาง Aitchison เป็นขั้นตอนการเริ่มต้นสามารถให้ผลลัพธ์ส่วนผสมที่ดีขึ้นที่ใช้กับข้อมูลตามสัดส่วน นอกจากนี้ยังพบว่าระยะทาง Aitchison ทํางานได้ดีกว่าสําหรับชุดข้อมูลเบาบางและสําหรับมิติที่สูงเมื่อเทียบกับระยะทาง Euclidean สําหรับข้อมูลประเภทนี้โดยเฉพาะ โดยการหาคะแนน K-means จะเห็นแล้วว่าระยะทางของ Aitchison เป็นทางออกที่ทํางานได้มากกว่าเป็นตัวชี้วัดระยะทางสําหรับการทํา K-หมายถึงการรวมกลุ่มสําหรับข้อมูลตามสัดส่วน
正在翻譯中..
