Regarding outliers, the HIPAMIMO al

Regarding outliers, the HIPAMIMO algorithm finds 82 while HIPAMMO finds 92. Forty of them are considered outliers by both algorithms. Table 5 shows the percentage of outliers obtained by both algorithms for each class. Fig. 4 shows the scatter plots of bust vs. hip, together with the outliers according to HIPAMMO and HIPAM- IMO. We observe that HIPAMIMO only identifies outliers in the four bust classes corresponding to small and large sizes. Clothing industry practice for the mass production of clothing is to optimize sizes by addressing only the most profitable. Extreme sizes are usually offered as “special sizes” by companies focusing on this target market. Thus, results provided by HIPAMIMO are quite well aligned to this aim.Some other scatter plots showing medoids and outliers returned by HIPAMMO and HIPAMIMO can be found in the Supplementary Material. In addition, a comparison between the outliers detected by our algorithms and the outliers detected by a common method used in the apparel sizing literature to the same end and an R package that focuses on identi- fying multivariate outliers are also given in the Supplementary Material.

結果 (繁體中文) 1:

關於異常值時，HIPAMIMO算法網絡連接NDS 82而HIPAMMO網絡連接NDS其中92四十被認為是由兩種算法的異常值。表5示出了離群值由兩種算法為每個類獲得的百分比。圖4示出相對於胸圍臀部的散點圖，對於根據HIPAMMO和HIPAM- IMO異常值一起。我們觀察到，僅HIPAMIMO科幻identi ES在對應於小尺寸和大尺寸四胸圍類的異常值。對於大批量生產的服裝服飾行業慣例是優化尺寸通過解決只有最有利可圖的。極端的尺寸通常提供作為“特殊尺寸”，由公司專注這個目標市場。因此，通過HIPAMIMO提供的結果都非常好對準這一目標。
表示HIPAMMO和HIPAMIMO返回中心點劃分和異常其他一些散點圖可以在補充材料中找到。此外，該異常值之間的比較來檢測由我們的算法和異常值通過在服裝上漿文獻中使用的為同一目的和R包，重點identi- fying多元異常值也是在補充材料給定的常見方法來檢測。

結果 (繁體中文) 2:

關於異常值，HIPAMIMO 演算法查找 82，而 HIPAMMO 查找 92。其中 40 個演算法被兩種演算法視為異常值。表 5 顯示了兩種演算法為每個類獲取的異常值的百分比。圖 4 顯示了根據 HIPAMMO 和 HIPAM-IMO 的散佈圖和異常值。我們觀察到 HIPAMIMO 只識別四個胸圍類中對應于小尺寸和大尺寸的異常值。服裝行業大規模生產服裝的實踐是，通過只解決最有利可圖的問題來優化尺寸。極端尺寸通常由專注于此目標市場的公司作為"特殊尺寸"提供。因此，HIPAMIMO提供的結果與這一目標相當一致。
在補充材料中可以找到一些其他散射圖，顯示 HIPAMMO 和 HIPAMIMO 返回的體素和異常值。此外，我們的演算法檢測到的異常值與服裝尺寸文獻中用於同一端的常見方法檢測到的異常值和側重于識別多變數異常值的 R 包之間的比較也給出了補充材料。

結果 (繁體中文) 3:

關於异常值，HIPAMIMO算灋查找82，而HIPAMMO算灋查找92。這兩種算灋都將其中40個視為异常值。錶5顯示了兩種算灋為每個類獲得的异常值百分比。圖4顯示了胸圍與臀圍的散點圖，以及根據HIPAMO和HIPAM-IMO得出的异常值。我們觀察到，HIPAMIMO只識別了四個胸圍類別中與大小胸圍相對應的异常值。成服業大規模生產成服的做法是通過只處理最有利的錶來優化尺寸。對於專注於這個目標市場的公司來說，極限尺寸通常被稱為“特殊尺寸”。囙此，HIPAMIMO提供的結果與這一目標相當吻合。
其他一些散點圖顯示了由HIPAMMO和HIPAMMO返回的類藥物和异常值，可以在補充材料中找到。此外，在補充材料中，還比較了我們的算灋檢測到的异常值和服裝尺碼文獻中使用的常用方法檢測到的异常值，以及側重於識別多變數异常值的R包。