Data sets can be transformed and te

Data sets can be transformed and test vectors can be classified in the transformed space by two
different approaches.
Class-dependent transformation: This type of approach involves maximizing the ratio of between
class variance to within class variance. The main objective is to maximize this ratio so that adequate
class separability is obtained. The class-specific type approach involves using two optimizing criteria
for transforming the data sets independently.
Class-independent transformation: This approach involves maximizing the ratio of overall variance
to within class variance. This approach uses only one optimizing criterion to transform the data sets
and hence all data points irrespective of their class identity are transformed using this transform. In
this type of LDA, each class is considered as a separate class against all other classes.

Kết quả (Việt) 1:

Bộ dữ liệu có thể được chuyển đổi và thử nghiệm vector có thể được phân loại trong không gian chuyển bởi haiphương pháp tiếp cận khác nhau.Lớp phụ thuộc vào chuyển đổi: loại phương pháp tiếp cận liên quan đến việc tối đa hóa tỷ lệ giữalớp phương sai để trong lớp phương sai. Mục tiêu chính là để tối đa hóa tỷ lệ này như vậy là đầy đủlớp separability thu được. Cách tiếp cận lớp cụ thể loại liên quan đến việc sử dụng hai tiêu chí tối ưu hóacho việc chuyển đổi bộ dữ liệu một cách độc lập.Chuyển đổi lớp độc lập: cách tiếp cận này liên quan đến việc tối đa hóa tỷ lệ tổng thể phương saiđể trong lớp phương sai. Cách tiếp cận này sử dụng chỉ có một tiêu chí tối ưu hóa để biến đổi các bộ dữ liệuvà do đó tất cả các điểm dữ liệu không phân biệt lớp danh tính của họ được chuyển đổi bằng cách sử dụng chuyển đổi này. Ởloại cấp LDA cải, mỗi lớp được coi là một lớp riêng biệt chống lại tất cả các lớp khác.

Kết quả (Việt) 2:

Bộ dữ liệu có thể được biến đổi và vectơ thử nghiệm có thể được phân loại trong không gian biến đổi bởi hai
phương pháp tiếp cận khác nhau.
Chuyển đổi lớp phụ thuộc vào: Đây là loại phương pháp tiếp cận liên quan đến việc tối đa hóa tỷ lệ giữa
lớp phương sai để trong lớp không đúng. Mục tiêu chính là để tối đa hóa tỷ lệ này để đủ
lớp sự phân chia thu được. Các loại phương pháp tiếp cận lớp cụ thể liên quan đến việc sử dụng hai tiêu chí tối ưu hóa
cho việc chuyển đổi các tập dữ liệu một cách độc lập.
Chuyển đổi Class-độc lập: Phương pháp này bao gồm việc tối đa hóa tỷ lệ phương sai tổng thể
để trong lớp không đúng. Cách tiếp cận này chỉ sử dụng một tiêu chí tối ưu hóa để chuyển đổi các tập dữ liệu
và do đó tất cả các điểm dữ liệu không phân biệt sắc lớp học của họ được biến đổi bằng cách sử dụng biến đổi này. Trong
loại này của LDA, mỗi lớp được coi như là một lớp riêng biệt chống lại tất cả các lớp khác.