Trong phần trước luận văn đã trình bày những nét chính của phương pháp TCA, phần này sẽ là những so sánh TCA với cách tiếp cận chính trong luận văn là CCA cả về lý thuyết và thực nghiệm.
Mụ c đích
Làm cho phân bố dữ liệu của nguồn và đích giống nhau nhất có thể.
Ý tưởng
Chiếu dữ liệu nguồn và đích vào một không gian khác thấp chiều hơn để giảm thiểu sự khác biệt
Th ực thi
Áp dụng CCA để học một cặp các chuyển đổi tương ứng với hai tập biến sao cho các biến sau khi chuyển đổi có độ tương quan lớn nhất.
Giảm khoảng cách giữa các phân bố dữ liệu trong khi vẫn bảo toàn các thuộc tính gốc.
Inp ut
Các dự án đầu vào có thể khác nhau về bộ metric, điều này có nghĩa là bộ metric của nguồn và đích có thể khác nhau hoàn toàn, hoặc giống nhau hoàn toàn, hoặc tồn tại một vài metric tương đương nhau.
Dữ liệu nguồn và đích phải được xây dựng trên cùng một bộ metric
Out put
Các cặp vector chuyển đổi cho dữ liệu nguồn và đích: å", å$
Ma trận chuyển đổi giúp chuyển các vector m chiều sang d chiều (d < m)
Bảng 5. So sánh giữa phương pháp CCA và TCA
Nói tóm lại, TCA và CCA đều có chung mục đích và ý tưởng, khác nhau về mặt thực thi, về đầu vào và đầu ra, tuy vậy qua bảng so sánh trên, có thể thấy CCA vẫn có
điểm hơn TCA trong việc có thể đồng nhất dữ liệu nguồn và đích khác nhau về các metric sử dụng.
Tiếp theo là một số so sánh trong thực nghiệm, các thông số trong bảng bên dưới là độ đo F-Measure, các kết quả của TCA+ được tham chiếu trong [], còn các kết quả của CCA được lấy từ thực nghiệm thực tế:
CCA TCA+
CM1=>Apache 0.68 0.61
Apache=>CM1 0.42 0.24
AR3=>Apache 0.48 0.27
Apache=>AR3 0.53 0.31
Bảng 6. So sánh kết quả thực nghiệm giữa phương pháp CCA và TCA
Có thể thấy CCA thực thi tốt hơn TCA trong hầu hết các trường hợp, nguyên nhân có thể kể đến là CCA sử dụng tất cả các số liệu có thể có của các dự án chứ không chỉ sử dụng các số liệu chung như TCA.