5. DiscussionThis paper presented a

5. Discussion
This paper presented a novel version of the K-means algorithm based on the Mahalanobis distance metric. While the
use of Mahalanobis distances is not new in clustering framework, they are not commonly used due to the necessity to
initialize data group covariance matrices. We proposed a strategy aiming at addressing this issue. The developed procedure
is illustrated on a synthetic dataset; its performance was compared to that of two other versions of the K-means algorithm.
A conducted simulation study proved viability of the proposed method, which outperformed the competitors in multiple
situations. An application of the procedure to the time-honored Iris dataset was considered with good results.

Results (Thai) 1:

5. สนทนาเอกสารนี้แสดงรุ่นใหม่ของอัลกอริทึมหมายถึง K ที่ใช้ในการวัดระยะทาง Mahalanobis ในขณะใช้ระยะทาง Mahalanobis ไม่ได้ใหม่ในคลัสเตอร์กรอบ พวกเขาไม่ใช้กันทั่วไปเนื่องจากความจำเป็นในการข้อมูลกลุ่มแปรปรวนเมทริกซ์การเตรียมใช้งาน เรานำเสนอกลยุทธ์การมุ่งที่การจัดการกับปัญหานี้ กระบวนการพัฒนามีภาพประกอบในชุดข้อมูลสังเคราะห์ ประสิทธิภาพของถูกเมื่อเทียบกับรุ่นอื่น ๆ สองของอัลกอริทึมหมายถึง Kการศึกษาดำเนินการจำลองพิสูจน์ในเชิงของวิธีการนำเสนอ ซึ่งกรรมการคู่แข่งในหลายจากสถานการณ์ โปรแกรมประยุกต์ของกระบวนการชุดข้อมูล Iris ผลงานถูกถือว่า มีผลดี

Results (Thai) 2:

5. อภิปราย
บทความนี้นำเสนอรุ่นนวนิยายของขั้นตอนวิธี K-หมายความว่าขึ้นอยู่กับระยะทาง Mahalanobis เมตริก ในขณะที่
การใช้งานของระยะทาง Mahalanobis ไม่ใหม่ในกรอบการจัดกลุ่มพวกเขาจะไม่นิยมใช้เนื่องจากความจำเป็นที่จะ
เริ่มต้นการฝึกอบรมกลุ่มข้อมูลที่แปรปรวน เรานำเสนอกลยุทธ์เป้าหมายในการแก้ไขปัญหานี้ ขั้นตอนการพัฒนา
จะแสดงในชุดข้อมูลที่สังเคราะห์ ผลการดำเนินงานเมื่อเทียบกับที่ของทั้งสองรุ่นอื่น ๆ ของอัลกอริทึม K-หมายความ.
การศึกษาการจำลองการดำเนินการพิสูจน์แล้วว่ามีศักยภาพในการเสนอวิธีการที่มีประสิทธิภาพสูงกว่าคู่แข่งในหลาย
สถานการณ์ การประยุกต์ใช้ขั้นตอนการเวลาเกียรติชุดข้อมูลไอริสได้รับการพิจารณาที่มีผลดี

Results (Thai) 3:

5讨论。
这一版本的小说为presented K-means基于马氏距离的算法metric而的。
使用的是不包括马氏distances聚类框架，他们在使用时是不是由于到到commonly necessity
我们的数据covariance initialize matrices组。在这一战略目标proposed程序开发解决问题。”
一个是合成dataset illustrated；其性能相比其他两个分别是K-means versions的算法。
仿真证明的可行性进行研究。proposed的方法优于竞争对手，在这多元的
一个应用程序的情况。考虑到虹膜与time-honored dataset是好结果。