As we can see in Table 4, in this e

As we can see in Table 4, in this example, the disadvantage of Automatic clustering of Chen and
Hung is shown when it give a single cluster with all pdfs (k=1), therefore the misclustering rate of this method is 66.67%. The SCC criterion give the better result the error is 44.44%.
[Table 4 near here].
Example 4. In the last example, we consider a real data set about studying marks and training
marks of students in 15 classes of Colleges of Natural Sciences (CNS), Can Tho University, Viet
Nam. CNS has 15 classes: (w1): Chemistry33 (chemistry of course 33), (w2): Mathematics33,
(w3): Biology33, (w4): Chemistry34, (w5): Mathematics34, (w6): Biology34, (w7): Chemistry35,
(w8): Mathematics35, (w9): Biology35, (w10): Chemistry36; (w11): Pharmaceutical Chemistry36,
(w12): Mathematics36, (w13): Biology36, (w14): Applied Informatics36a, (w15): Applied
Informatics36b. When learning in CNS, each student is evaluated by the two types of mark that
are studying mark (X) and training mark (Y). Department administrators need to know the degree
of similarity about those attributes (X and Y). It will help them have many accordant adjustment
when running CNS or having decision that are related to supportive policies and scholarship for
students. We use clustering based on SCC criterion to analyze student’s marks and provide result
to administrators. The data of 15 populations are presented in the Appendix. Table 5 presents the clustering results for 15 pdfs with k = 4. Figure 6 and Figure 7 shows the pdfs and the contours of fifteen populations in four clusters as the results in Table 5, respectively.

Kết quả (Việt) 1:

Như chúng ta có thể thấy trong bảng 4, trong ví dụ này, những bất lợi của tự động clustering trần và Hưng sẽ được hiển thị khi nó cung cấp cho một cụm duy nhất với tất cả các file PDF (k = 1), do đó tỷ lệ misclustering của phương pháp này là 66,67%. SCC tiêu chí cho kết quả tốt hơn các lỗi là 44.44%. [Bảng 4 gần đây]. Ví dụ 4. Trong ví dụ cuối cùng, chúng ta xem xét một tập hợp dữ liệu thực tế về nghiên cứu nhãn hiệu và đào tạo nhãn hiệu của các học sinh trong các lớp học 15 của trường đại học của khoa học tự nhiên (CNS), trường thọ, Việt Nam. CNS có 15 lớp học: (w1): Chemistry33 (hóa học của khóa học 33), (w2): Mathematics33, (w3): Biology33, (w4): Chemistry34, (w5): Mathematics34, (w6): Biology34, (w7): Chemistry35, (w8): Mathematics35, (w9): Biology35, (w10): Chemistry36; (w11): dược phẩm Chemistry36, (w12): Mathematics36, (w13): Biology36, (w14): áp dụng Informatics36a, (w15): áp dụng Informatics36b. Khi học ở CNS, mỗi học sinh được đánh giá bởi hai loại của các đánh dấu đó đang học đánh dấu (X) và đào tạo đánh dấu (Y). Người quản trị vùng cần biết mức độ của sự tương đồng về các thuộc tính (X và Y). Nó sẽ giúp họ có nhiều điều chỉnh accordant Khi chạy CNS hoặc có quyết định có liên quan đến chính sách hỗ trợ và học bổng học sinh. Chúng tôi sử dụng cụm dựa trên tiêu chí SCC để phân tích các dấu hiệu của sinh viên và cung cấp kết quả cho người quản trị. Dữ liệu dân số 15 được trình bày trong phụ lục. Bảng 5 trình bày kết quả kết cụm cho 15 file PDF với k = 4. Hình 6 và hình 7 cho thấy các file PDF và những đường nét của quần thể mười lăm trong bốn cụm kết quả ở bảng 5, tương ứng.

Kết quả (Việt) 2:

Như chúng ta có thể thấy trong bảng 4, trong ví dụ này, những bất lợi của phân nhóm tự động của Chen và
Hưng được hiển thị khi nó đưa ra một cụm duy nhất với tất cả các file PDF (k = 1), do đó tỷ lệ misclustering của phương pháp này là 66,67%. Các tiêu chí SCC cho kết quả tốt hơn lỗi này là 44,44%.
[Bảng 4 gần đây].
Ví dụ 4. Trong ví dụ cuối cùng, chúng ta hãy xem xét một số liệu thực tế thiết lập về nghiên cứu và đào tạo dấu
vết của các học sinh trong 15 lớp học của Cao đẳng Khoa học Tự nhiên (CNS), Đại học Cần Thơ, Việt
Nam. CNS có 15 lớp: (W1): Chemistry33 (chất hóa học của quá trình 33), (W2): Mathematics33,
(w3): ​​Biology33, (w4): Chemistry34, (w5): Mathematics34, (w6): Biology34, (w7) : Chemistry35,
(W8): Mathematics35, (W9): Biology35, (W10): Chemistry36; (W11): Dược phẩm Chemistry36,
(W12): Mathematics36, (W13): Biology36, (W14): Ứng dụng Informatics36a, (W15): Ứng dụng
Informatics36b. Khi học ở thần kinh trung ương, mỗi học sinh được đánh giá bởi hai loại nhãn hiệu đó
được nghiên cứu đánh dấu (X) và đánh dấu đào tạo (Y). Quản trị viên cục cần phải biết mức độ
giống nhau về những thuộc tính (X và Y). Nó sẽ giúp họ có nhiều điều chỉnh phù hợp
khi chạy CNS hoặc có quyết định có liên quan đến chính sách hỗ trợ và học bổng cho
sinh viên. Chúng tôi sử dụng phân nhóm dựa trên tiêu chí SCC để phân tích điểm của học sinh và cung cấp kết quả
cho người quản trị. Các dữ liệu của 15 dân được thể hiện trong Phụ lục. Bảng 5 trình bày các kết quả phân nhóm cho 15 file PDF với k = 4. Hình 6 và Hình 7 cho thấy các file PDF và những đường nét của mười lăm người dân trong bốn cụm như các kết quả trong Bảng 5, tương ứng.