ਨੇੜਲਾ ਢੰਗ: ਕੰਮ ਦੀ ਮਿਸਾਲ

ਨੇੜਲਾ ਢੰਗ ਹੈ ਆਸਾਨ ਮੀਟ੍ਰਿਕ ਕ੍ਰਮਬੱਧ ਹੈ, ਜੋ ਕਿ ਵੱਖ-ਵੱਖ ਇਕਾਈ ਦੀ ਸਮਾਨਤਾ ਦੀ ਪੜਤਾਲ ਦੇ ਆਧਾਰ 'ਤੇ ਹੁੰਦਾ ਹੈ.

ਵਿਸ਼ਲੇਸ਼ਣ ਇਕਾਈ ਕਲਾਸ, ਜਿਸ ਲਈ ਉਹ ਸਿਖਲਾਈ ਨਮੂਨਾ ਦੀ ਪਰਜਾ ਨਾਲ ਸੰਬੰਧਿਤ ਸਬੰਧਿਤ ਹੈ. ਸਾਨੂੰ ਇਹ ਪਤਾ ਹੈ, ਜੋ ਕਿ ਨੇੜਲਾ ਹੈ ਕਰੀਏ. ਗੁੰਝਲਦਾਰ ਮਾਮਲੇ ਨੂੰ, ਵੱਖ-ਵੱਖ ਤਕਨੀਕ ਦੀ ਮਿਸਾਲ ਨੂੰ ਸਮਝਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ.

ਪਰਿਕਲਪਨਾ ਦਾ ਢੰਗ

ਨੇੜਲਾ ਢੰਗ ਦੀ ਸਭ ਆਮ ਵਰਗੀਕਰਣ ਲਈ ਵਰਤਿਆ ਐਲਗੋਰਿਥਮ ਦੇ ਤੌਰ ਤੇ ਮੰਨਿਆ ਜਾ ਸਕਦਾ ਹੈ. ਇਕਾਈ ਵਰਗੀਕਰਨ ਚੱਲ ਜੋ ਕਿ ਨਜ਼ਦੀਕੀ ਇਕਾਈ x_i ਨਮੂਨਾ ਸਿੱਖਣ ਲਈ ਕਲਾਸ y_i ਨਾਲ ਸੰਬੰਧਿਤ ਹੈ.

ਢੰਗ ਨੇੜੇ ਦੇ ਗੁਆਢੀਆ ਦੇ ਨਿਸ਼ਚਿਤ

ਨੇੜਲਾ ਢੰਗ ਨੂੰ ਵਰਗੀਕਰਣ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਸੁਧਾਰ ਸਕਦਾ ਹੈ k. ਵਿਸ਼ਲੇਸ਼ਣ ਇਕਾਈ ਨੂੰ ਇਸ ਦੀ ਗੁਆਢੀਆ ਦੇ ਬਲਕ ਦੇ ਤੌਰ ਤੇ ਹੀ ਕਲਾਸ ਨਾਲ ਸਬੰਧਿਤ ਹੈ, ਜੋ ਕਿ ਹੈ, ਦੇ ਨੇੜੇ k ਇਸ ਨੂੰ ਵਿਸ਼ਲੇਸ਼ਣ ਦਾ ਨਮੂਨਾ x_i ਦੇ ਇਤਰਾਜ਼ ਹੈ. ਗੁਆਢੀਆ ਦੀ ਗਿਣਤੀ ਦੇ ਦੋ ਵਰਗ ਨਾਲ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਵਿੱਚ, ਸਮੱਿਸਆ ਦੀ ਸਥਿਤੀ ਨੂੰ ਬਚਣ ਲਈ ਅਜੀਬ ਹੋ ਜਾਵੇਗਾ, ਜੇ ਗੁਆਢੀਆ ਦੇ ਇਸੇ ਗਿਣਤੀ ਨੂੰ ਵੱਖ-ਵੱਖ ਵਰਗ ਨਾਲ ਸਬੰਧਤ ਹੋਵੇਗਾ.

ਨੂੰ ਮੁਅੱਤਲ ਕਰ ਦਿੱਤਾ ਗੁਆਢੀਆ ਦੀ ਤਕਨੀਕ

PostgreSQL-ਵਿਸ਼ਲੇਸ਼ਣ ਢੰਗ ਹੈ ਕਲਾਸ ਵਿੱਚ ਘੱਟੋ-ਘੱਟ ਤਿੰਨ ਦੀ ਗਿਣਤੀ, ਅਤੇ ਤੁਹਾਨੂੰ ਇੱਕ ਨਿਰਾਲੀ ਨੰਬਰ ਦਾ ਇਸਤੇਮਾਲ ਨਹੀ ਕਰ ਸਕਦਾ ਹੈ, ਜਦ tsvector ਨਜ਼ਦੀਕੀ ਗੁਆਢੀਆ ਵਰਤਿਆ. ਪਰ ਸਮੱਿਸਆ ਵੀ ਇਹ ਮਾਮਲੇ ਵਿੱਚ ਉੱਠਦਾ ਹੈ. ਤਦ, ਇ-ਫਰਬਰੀ ਨੇੜਲਾ w_i ਭਾਰ ਹੈ, ਜੋ ਕਿ ਨੇੜਲਾ ਅਹੁਦੇ ਮੈਨੂੰ ਦੇ ਨਾਲ ਘਟਦੀ ਹੈ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ. ਇਹ ਇਕਾਈ ਦੀ ਕਲਾਸ ਹੈ, ਜੋ ਕਿ ਨੇੜੇ ਦੇ ਗੁਆਢੀਆ ਵਿਚਕਾਰ ਇੱਕ ਵੱਧ ਕੁੱਲ ਭਾਰ ਪਵੇਗਾ, ਦਾ ਹਵਾਲਾ ਦਿੰਦਾ ਹੈ.

compactness ਦੀ ਪਰਿਕਲਪਨਾ

ਉਪਰੋਕਤ ਢੰਗ ਦੇ ਸਾਰੇ ਦੇ ਦਿਲ 'ਤੇ compactness ਦੀ ਪਰਿਕਲਪਨਾ ਹੈ. ਇਹ ਆਬਜੈਕਟ ਦੇ ਸਮਾਨਤਾ ਦੇ ਮਾਪ ਅਤੇ ਉਸੇ ਕਲਾਸ ਨੂੰ ਆਪਣੇ ਨਾਲ ਸਬੰਧਤ ਵਿਚਕਾਰ ਇੱਕ ਕੁਨੈਕਸ਼ਨ ਦਾ ਸੁਝਾਅ. ਇਸ ਸਥਿਤੀ ਵਿੱਚ, ਵੱਖ-ਵੱਖ ਕਿਸਮ ਦੇ ਵਿਚਕਾਰ ਸੀਮਾ ਇੱਕ ਸਧਾਰਨ ਰੂਪ ਹੈ, ਅਤੇ ਸਪੇਸ ਸੰਖੇਪ ਨੂੰ ਮੋਬਾਈਲ ਖੇਤਰ ਵਿੱਚ ਇਕਾਈ ਦੇ ਕਲਾਸ ਬਣਾਉਣ. ਅਜਿਹੇ ਖੇਤਰ ਦੇ ਤਹਿਤ ਗਣਿਤ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਇੱਕ ਬੰਦ ਘਿਰਿਆ ਸੈੱਟ ਹੈ ਦਾ ਮਤਲਬ ਨੂੰ ਲਿਆ. ਇਹ ਪਰਿਕਲਪਨਾ ਸ਼ਬਦ ਦੀ ਰੋਜ਼ਾਨਾ ਧਾਰਨਾ ਨਾਲ ਸਬੰਧਤ ਨਹੀ ਹੈ.

ਬੁਨਿਆਦੀ ਫਾਰਮੂਲਾ

ਸਾਨੂੰ ਹੋਰ ਨੇੜਲਾ ਤੇ ਗੌਰ ਕਰੀਏ. ਜੇ ਪ੍ਰਸਤਾਵਿਤ ਸਿਖਲਾਈ ਨਮੂਨਾ ਕਿਸਮ "ਆਬਜੈਕਟ-ਜਵਾਬ» X ਨੂੰ ^ ਮੀਟਰ = \ {(x_1, y_1), \ ਇੰਚ, (x_m, y_m) \}; ਜੇ ਇਕਾਈ ਦੇ ਇੱਕ plurality ਦੂਰੀ ਫੰਕਸ਼ਨ \ RHO (X, X ') ਨੂੰ ਪ੍ਰਭਾਸ਼ਿਤ ਕਰਨ ਲਈ ਫੰਕਸ਼ਨ ਦੇ ਮੁੱਲ ਵਧਾ ਕੇ, ਜੋ ਕਿ ਇਕਾਈ ਦੀ ਇੱਕ ਕਾਫੀ ਮਾਡਲ ਸਮਾਨਤਾ ਦੇ ਰੂਪ ਵਿਚ ਦਰਸਾਇਆ ਗਿਆ ਹੈ, ਆਬਜੈਕਟ ਵਿਚਕਾਰ X, X ਸਮਾਨਤਾ ਘਟਦੀ ਹੈ.

ਕਿਸੇ ਵੀ ਇਕਾਈ ਲਈ, U ਬਣਾਉਣ ਜਾਵੇਗਾ ਇਕ ਸਿਖਲਾਈ ਦਾ ਨਮੂਨਾ U ਤੱਕ ਦੂਰੀ ਵੱਧ ਰਹੀ ਨਾਲ ਇਤਰਾਜ਼ x_i:

\ RHO (ਯੂ, x_ {1; ਯੂ}) \ leq \ RHO (ਯੂ, x_ {2; ਯੂ}) \ leq \ cdots \ leq \ RHO (ਯੂ, x_ {ਮੀਟਰ; u}),

ਜਿੱਥੇ x_ {i; U} ਇਕਾਈ ਸਿੱਖਣ ਦਾ ਨਮੂਨਾ ਹੈ, ਜੋ ਕਿ ਇ-ਫਰਬਰੀ ਨੇੜਲਾ ਸਰੋਤ ਇਕਾਈ ਹੈ u ਗੁਣ. ਅਜਿਹੇ ਨੋਟੇਸ਼ਨ ਅਤੇ ਵਰਤਣ i-ਫਰਬਰੀ ਨੇੜਲਾ ਦਾ ਜਵਾਬ ਦੇਣ ਲਈ: y_ {i; u}. ਇਸ ਦੇ ਨਤੀਜੇ ਦੇ ਤੌਰ ਤੇ, ਸਾਨੂੰ ਹੈ, ਜੋ ਕਿ ਕਿਸੇ ਵੀ ਇਕਾਈ ਨੂੰ ਯੂ ਦੇ ਆਪਣੇ ਨਮੂਨੇ renumbering provokes ਨੂੰ ਲੱਭਣ.

ਕਸ਼ਮੀਰ ਦੇ ਗਿਣਤੀ ਦੇ ਇਰਾਦਾ ਲਾਗਲੇ

ਨੇੜਲਾ ਢੰਗ ਹੈ, ਜਦ k = 1 ਨੂੰ ਨਾ ਸਿਰਫ ਆਬਜੈਕਟ-ਿਨਕਾਸ ਤੇ ਹੈ, ਪਰ ਇਹ ਵੀ ਹੋਰ ਵੀ ਕਲਾਸ ਹੈ, ਜੋ ਕਿ ਨੇੜੇ ਹਨ ਦੇ ਲਈ ਇੱਕ ਗਲਤ ਵਰਗੀਕਰਨ ਦੇਣ ਦੇ ਸਮਰੱਥ ਹੈ.

ਸਾਨੂੰ = ਮੀਟਰ k ਲੈ ਜੇ, ਐਲਗੋਰਿਥਮ ਦੇ ਰੂਪ ਵਿੱਚ ਸਥਿਰ ਹੋ ਜਾਵੇਗਾ ਅਤੇ ਇੱਕ ਲਗਾਤਾਰ ਮੁੱਲ ਵਿੱਚ ਬਦਲ ਜਾਵੇਗਾ. ਇਸੇ ਭਰੋਸੇਯੋਗਤਾ ਬਹੁਤ ਸੂਚਕ k ਬਚਣ ਲਈ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਹੈ.

ਅਭਿਆਸ ਵਿੱਚ, ਦੇ ਰੂਪ ਵਿੱਚ ਅਨੁਕੂਲ ਇੰਡੈਕਸ ਨੂੰ k ਵਰਤਿਆ ਮਾਪਦੰਡ ਕੰਟਰੋਲ ਸਲਾਇਡ.

ਦਿਖਾਉਣ ਦੇ ਿਨਕਾਸ

ਅਧਿਐਨ ਦੇ ਇਕਾਈ ਜਿਹਾ ਬਰਾਬਰੀ ਹਨ, ਪਰ ਆਪਸ ਵਿੱਚ ਕੁਝ ਲੋਕ ਇੱਕ ਕਲਾਸ ਦੇ ਗੁਣ ਹੈ ਅਤੇ ਮਿਆਰ ਦੇ ਤੌਰ ਤੇ ਕਰਨ ਲਈ ਕਹਿੰਦੇ ਹਨ, ਜੋ ਹਨ. ਇਸ ਕਲਾਸ ਨਾਲ ਸਬੰਧਤ ਦੇ ਇਸ ਦੇ ਉੱਚ ਸੰਭਾਵਨਾ ਦੇ ਆਦਰਸ਼ ਮਾਡਲ ਨੂੰ ਵਿਸ਼ੇ ਦੇ ਨੇੜਤਾ 'ਤੇ.

ਕਰਨਾ rezultativen ਨੇੜੇ ਦੇ ਗੁਆਢੀਆ ਦੇ ਢੰਗ ਨੂੰ? ਇੱਕ ਉਦਾਹਰਨ ਇਕਾਈ ਦੀ ਹੋਵੇ ਅਤੇ ਗੈਰ-ਜਾਣਕਾਰੀ ਵਰਗ ਦੇ ਆਧਾਰ 'ਤੇ ਵੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ. ਇਹ ਇਸ ਕਲਾਸ ਦੇ ਇਕਾਈ ਹੋਰ ਨੁਮਾਇੰਦੇ ਦੇ ਸੰਘਣੀ ਵਾਤਾਵਰਣ ਨੂੰ ਮੰਨਿਆ ਗਿਆ ਹੈ. ਜਦ ਤੁਹਾਨੂੰ ਗੁਣਵੱਤਾ ਦਾ ਦੁੱਖ ਨਹੀ ਕਰੇਗਾ ਚਖਣ ਦੇ ਵਰਗੀਕਰਣ ਨੂੰ ਹਟਾਉਣ.

ਨਮੂਨੇ ਹੋ ਸਕਦਾ ਹੈ ਸ਼ੋਰ ਫੱਟ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਕਲਾਸ ਦੇ "ਜ਼ਮੀਨ 'ਤੇ" ਹਨ ਦੀ ਕੁਝ ਗਿਣਤੀ ਵਿੱਚ ਪ੍ਰਾਪਤ ਕਰੋ. ਵਰਗੀਕਰਣ ਦੀ ਗੁਣਵੱਤਾ 'ਤੇ ਕਾਫੀ ਸਕਾਰਾਤਮਕ ਅਸਰ ਨੂੰ ਹਟਾਉਣ.

ਨਮੂਨਾ uninformative ਅਤੇ ਨੂੰ ਖਤਮ ਸ਼ੋਰ ਆਬਜੈਕਟ ਤੱਕ ਲਿਆ ਹੈ, ਜੇ, ਤੁਹਾਨੂੰ ਵੀ ਉਸੇ ਵੇਲੇ 'ਤੇ ਕੁਝ ਸਕਾਰਾਤਮਕ ਨਤੀਜੇ' ਤੇ ਗਿਣਤੀ ਕਰ ਸਕਦਾ ਹੈ.

ਪਹਿਲੇ ਦੇ ਇੰਟਰਪੋਲਟੇਸ਼ਣ ਢੰਗ ਨੂੰ ਨੇੜੇ ਦੇ ਨੇੜਲਾ ਵਰਗੀਕਰਨ ਗੁਣਵੱਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਲਈ, ਸਟੋਰ ਕੀਤਾ ਡਾਟਾ ਦੀ ਮਾਤਰਾ ਨੂੰ ਘਟਾਉਣ, ਵਰਗੀਕਰਨ, ਜੋ ਕਿ ਅਗਲੇ ਮਿਆਰ ਦੀ ਪਸੰਦ 'ਤੇ ਖਰਚ ਹੁੰਦਾ ਹੈ ਦੇ ਵਾਰ ਘਟਾਉਣ ਲਈ ਸਹਾਇਕ ਹੈ.

ਅਤਿ-ਵੱਡੇ ਨਮੂਨੇ ਦੀ ਵਰਤੋ

ਨੇੜਲਾ ਢੰਗ ਨੂੰ ਸਿੱਖਣ ਨੂੰ ਇਕਾਈ ਦਾ ਅਸਲੀ ਸਟੋਰੇਜ਼ 'ਤੇ ਆਧਾਰਿਤ ਹੈ. ਬਹੁਤ ਹੀ ਵੱਡੇ ਪੱਧਰ ਤਕਨੀਕੀ ਸਮੱਸਿਆ ਨੂੰ ਵਰਤ ਦੇ ਨਮੂਨੇ ਬਣਾਉਣ ਲਈ. ਉਦੇਸ਼ ਨੂੰ ਸਿਰਫ਼ ਜਾਣਕਾਰੀ ਦੀ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਮਾਤਰਾ ਨੂੰ ਬਚਾਉਣ ਦੀ ਹੈ, ਨਾ ਹੈ, ਪਰ ਇਹ ਵੀ ਵਾਰ ਦੇ ਘੱਟੋ-ਘੱਟ ਰਕਮ 'ਚ ਕੋਈ ਵੀ ਇਕਾਈ U ਨੇੜੇ ਦੇ ਗੁਆਢੀਆ ਦੇ ਵਿੱਚ k ਦਾ ਪਤਾ ਕਰਨ ਲਈ ਵਾਰ ਹੈ.

ਇਸ ਕਾਰਜ ਨਾਲ ਮੁਕਾਬਲਾ ਕਰਨ ਲਈ, ਦੋ ਢੰਗ ਵਰਤੇ ਗਏ ਹਨ:

• ਨੂੰ ਇੱਕ ਡਿਸਚਾਰਜ ਗੈਰ-ਡਾਟਾ ਨੂੰ ਇਕਾਈ ਦਾ ਰਾਹੀ thinned ਨਮੂਨਾ;
• ਅਸਰਦਾਰ ਵਿਸ਼ੇਸ਼ ਡਾਟਾ ਬਣਤਰ ਅਤੇ ਨੇੜੇ ਦੇ ਗੁਆਢੀਆ ਦੇ ਤੁਰੰਤ ਖੋਜ ਲਈ ਕੋਡ.

ਚੋਣ ਢੰਗ ਦੇ ਨਿਯਮ

ਉਪਰੋਕਤ ਵਰਗੀਕਰਨ ਮੰਨਿਆ ਗਿਆ ਹੈ. ਨੇੜਲਾ ਢੰਗ ਨੂੰ ਅਮਲੀ ਸਮੱਸਿਆ ਹੈ, ਜੋ ਕਿ ਪੇਸ਼ਗੀ ਵਿੱਚ ਦੂਰੀ ਫੰਕਸ਼ਨ \ RHO ਤੇ ਜਾਣਿਆ ਗਿਆ ਹੈ ਨੂੰ ਹੱਲ ਵਿੱਚ ਵਰਤਿਆ ਗਿਆ ਹੈ (X, X '). ਦੀ ਜਾਣਕਾਰੀ ਲਈ ਇਕਾਈ ਵਿੱਚ ਅੰਕੀ ਵੈਕਟਰ ਇੱਕ Euclidean ਮੀਟ੍ਰਿਕ ਦਾ ਇਸਤੇਮਾਲ ਕਰੋ. ਇਹ ਪਸੰਦ ਦਾ ਕੋਈ ਵਿਸ਼ੇਸ਼ ਧਰਮੀ ਹੈ, ਪਰ ਸਭ ਦੇ ਚਿੰਨ੍ਹ ਦੇ ਮਾਪ ਸ਼ਾਮਲ ਹੈ "ਇਸੇ ਪੈਮਾਨੇ ਵਿੱਚ." ਜੇ ਇਹ ਕਾਰਕ ਖਾਤੇ ਵਿੱਚ ਨਾ ਲਿਆ ਗਿਆ ਹੈ, ਫਿਰ ਮੀਟ੍ਰਿਕ ਫੀਚਰ ਨੂੰ ਸਭ ਮੁੱਲ ਹੋਣ ਦਾ ਦਬਦਬਾ ਹੋਵੇਗਾ.

ਫੀਚਰ ਦੀ ਇੱਕ ਬਹੁਤ ਵੱਡੀ ਗਿਣਤੀ, ਖਾਸ ਲੱਛਣ 'ਤੇ ਫਰਕ ਦੇ ਜੋੜ ਦੇ ਤੌਰ ਦੂਰੀ ਦੀ ਗਣਨਾ ਦੀ ਮੌਜੂਦਗੀ ਵਿੱਚ ਦਿਸ਼ਾ ਦੀ ਗੰਭੀਰ ਸਮੱਸਿਆ ਨੂੰ ਵਿਖਾਈ.

ਉੱਚ ਅਯਾਮੀ ਇੱਕ ਦੂਜੇ ਨੂੰ ਕਰੇਗਾ ਸਭ ਆਬਜੈਕਟ ਤੱਕ ਦੂਰ ਸਪੇਸ ਵਿੱਚ. ਆਖਰਕਾਰ, ਕੋਈ ਵੀ ਨਮੂਨੇ ਇਕਾਈ ਨੂੰ ਕਰਨ ਲਈ ਅੱਗੇ k ਗੁਆਢੀਆ ਦਾ ਅਧਿਐਨ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ ਹੋ ਜਾਵੇਗਾ. ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਖਤਮ ਕਰਨ ਲਈ ਜਾਣਕਾਰੀ ਫੀਚਰ ਦੀ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਗਿਣਤੀ ਚੁਣਿਆ. ਅੰਦਾਜ਼ੇ ਗਣਨਾ ਲਈ ਐਲਗੋਰਿਥਮ ਦੇ ਚਿੰਨ੍ਹ ਦੇ ਵੱਖ-ਵੱਖ ਸੈੱਟ ਦੇ ਆਧਾਰ 'ਤੇ ਬਣਾਉਣ, ਅਤੇ ਹਰ ਵਿਅਕਤੀ ਨੂੰ ਦੇ ਲਈ ਆਪਣੇ ਨੇੜਤਾ ਫੰਕਸ਼ਨ ਨੂੰ ਬਣਾਉਣ.

ਸਿੱਟਾ

ਗਣਿਤ ਗਣਨਾ ਅਕਸਰ ਆਪਣੇ ਵਿਲੱਖਣ ਫੀਚਰ, ਫ਼ਾਇਦੇ ਅਤੇ ਨੁਕਸਾਨ ਦੇ ਨਾਲ, ਤਕਨੀਕ ਦੀ ਇੱਕ ਕਿਸਮ ਦੇ ਦੀ ਵਰਤੋ ਸ਼ਾਮਲ. ਦੇਖੇ ਨੇੜਲਾ ਢੰਗ ਨੂੰ ਗਣਿਤ ਆਬਜੈਕਟ ਦੇ ਗੁਣ ਕਾਰਨ ਕਾਫ਼ੀ ਇੱਕ ਗੰਭੀਰ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰ ਸਕਦਾ ਹੈ. ਤਜਰਬੇ ਸੰਕਲਪ, ਵਿਸ਼ਲੇਸ਼ਣ ਵਿਧੀ ਤੇ ਅਧਾਰਿਤ ਸਰਗਰਮੀ ਨਕਲੀ ਖੁਫੀਆ ਵਿੱਚ ਵਰਤਿਆ ਜਾ ਰਿਹਾ ਹੈ.

ਮਾਹਰ ਸਿਸਟਮ ਵਿੱਚ ਇਸ ਨੂੰ ਹੁਣੇ ਹੀ ਆਬਜੈਕਟ ਵਰਗੀਕਰਨ ਕਰਨ ਲਈ, ਨਾ, ਪਰ ਇਹ ਵੀ ਉਪਭੋਗੀ ਨੂੰ ਸਵਾਲ ਵਿੱਚ ਵਰਗੀਕਰਣ ਦੀ ਇੱਕ ਵਿਆਖਿਆ ਨੂੰ ਦਿਖਾਉਣ ਦੀ ਲੋੜ ਹੈ. ਇਸ ਢੰਗ ਵਿੱਚ, ਇਸ ਵਰਤਾਰੇ ਦੀ ਵਿਆਖਿਆ ਇੱਕ ਖਾਸ ਕਲਾਸ ਦੇ ਇਕਾਈ ਦੇ ਨਾਲ ਨਾਲ ਵਰਤਿਆ ਨਮੂਨਾ ਕਰਨ ਲਈ ਇਸ ਦੀ ਸਥਿਤੀ ਦੇ ਰਿਸ਼ਤੇਦਾਰ ਦੇ ਸਬੰਧ ਵਿੱਚ ਪ੍ਰਗਟ ਕੀਤਾ ਰਹੇ ਹਨ. ਕਾਨੂੰਨੀ ਉਦਯੋਗ ਦੇ ਮਾਹਿਰ, ਭੂ, ਡਾਕਟਰ, ਇਸ ਨੂੰ "ਮਿਸਾਲ" ਤਰਕ ਸਰਗਰਮੀ ਨੂੰ ਆਪਣੇ ਖੋਜ ਵਿੱਚ ਇਸ ਨੂੰ ਵਰਤ ਲੈਣ.

ਆਦੇਸ਼ ਵਿੱਚ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਦੀ ਵਿਧੀ ਨੂੰ ਸੀ ਸਭ ਭਰੋਸੇਯੋਗ, ਕੁਸ਼ਲ, ਲੋੜੀਦੇ ਨਤੀਜੇ ਦੇਣ ਲਈ, ਤੁਹਾਨੂੰ, ਇੱਕ ਘੱਟੋ ਘੱਟ ਇਹ ਅੰਕੜੇ K ਲੈ ਜਦਕਿ ਇਹ ਵੀ ਵਿਸ਼ਲੇਸ਼ਣ ਇਕਾਈ ਦਾ ਆਪਸ ਵਿੱਚ ਨਿਕਾਸੀ ਨੂੰ ਬਚਣਾ ਚਾਹੀਦਾ ਹੈ. ਇਹੀ ਕਾਰਣ ਹੈ ਕਿ ਮਿਆਰ ਦੀ ਵਰਤੋ ਅਤੇ ਚੋਣ ਢੰਗ ਹੈ, ਦੇ ਨਾਲ ਨਾਲ ਅਨੁਕੂਲਤਾ ਸਾਰਣੀ.