Nearest neighbor (NN) classifier is

Nearest neighbor (NN) classifier is a popular non-parametric classifier. It is conceptually a simple classifier and shows good performance. Due to the curse of dimensionality effect, the size of training set needed by it to achieve a given classification accuracy becomes prohibitively large when the dimensionality of the data is high. Generating artificial patterns can reduce this effect. In this paper, we propose a novel pattern synthesis method called partition based pattern synthesis which can generate an artificial training set of exponential order when compared with that of the given original training set. We also propose suitable faster NN based methods to work with the synthetic training patterns. Theoretically, the relationship between our methods and conventional NN methods is established. The computational requirements of our methods are also theoretically established. Experimental results show that NN based classifiers with synthetic training set can outperform conventional NN classifiers and some other related classifiers.

ผลลัพธ์ (ไทย) 1:

ใกล้บ้าน (NN) classifier เป็น classifier ไม่ใช่พาราเมตริกที่นิยม มันเป็นทางแนวคิด classifier ง่าย และแสดงประสิทธิภาพที่ดี เนื่องจากคำสาปแช่งของ dimensionality ผล ขนาดของชุดฝึกอบรมที่จำเป็นเพื่อให้เกิดความถูกต้องของการจัดประเภทให้เป็นขนาดใหญ่ prohibitively เมื่อ dimensionality ของข้อมูลสูง สร้างรูปแบบที่ประดิษฐ์สามารถลดผลกระทบนี้ ในเอกสารนี้ เราเสนอวิธีสังเคราะห์รูปแบบนวนิยายเรียกว่าการสังเคราะห์รูปแบบพาร์ติชันที่ใช้ซึ่งสามารถสร้างชุดการฝึกอบรมประดิษฐ์เนนสั่งเมื่อเปรียบเทียบกับค่าของชุดฝึกอบรมกำหนด นอกจากนี้เรายังเสนอ NN โดยเร็วเหมาะสมวิธีการฝึกอบรมสังเคราะห์รูปแบบ ตามหลักวิชา สร้างความสัมพันธ์ระหว่างวิธีการและวิธีเอ็นเอ็นธรรมดาของเรา ครั้งแรกราคายังจะสร้างความต้องการคำนวณของวิธี ผลการทดลองแสดงว่า คำนามภาษา NN ตามชุดฝึกสังเคราะห์สามารถประสิทธิภาพยิ่งกว่าคำนามภาษาเอ็นเอ็นธรรมดาและบางอื่น ๆ ที่เกี่ยวข้องกับคำนามภาษา

ผลลัพธ์ (ไทย) 2:

เพื่อนบ้านที่ใกล้ที่สุด (NN) ลักษณนามเป็นที่นิยมลักษณนามไม่ตัวแปร มันเป็นแนวคิดลักษณนามง่ายและแสดงให้เห็นถึงประสิทธิภาพการทำงานที่ดี เนื่องจากคำสาปของผลกระทบมิติขนาดของชุดฝึกอบรมที่จำเป็นโดยมันเพื่อให้บรรลุความถูกต้องจัดหมวดหมู่ที่กำหนดจะมีขนาดใหญ่สาหัสเมื่อมิติของข้อมูลที่อยู่ในระดับสูง การสร้างรูปแบบการประดิษฐ์ที่สามารถลดผลกระทบนี้ ในบทความนี้เรานำเสนอวิธีการสังเคราะห์รูปแบบใหม่ที่เรียกว่าพาร์ทิชันตามการสังเคราะห์รูปแบบซึ่งสามารถสร้างชุดการฝึกอบรมเทียมเพื่อชี้แจงเมื่อเทียบกับที่ของการฝึกอบรมชุดเดิมที่ได้รับ นอกจากนี้เรายังนำเสนอได้เร็ว NN วิธีการตามความเหมาะสมที่จะทำงานร่วมกับรูปแบบการฝึกอบรมสังเคราะห์ ในทางทฤษฎีความสัมพันธ์ระหว่างวิธีการและวิธีการ NN เดิมของเราเป็นที่ยอมรับ ความต้องการการประมวลผลของวิธีการของเรายังได้รับการจัดตั้งขึ้นตามหลักวิชา ผลการทดลองแสดงให้เห็นว่าแยกแยะ NN ตามด้วยชุดการฝึกอบรมสังเคราะห์สามารถแยกแยะดีกว่า NN ธรรมดาและบางลักษณนามอื่น ๆ ที่เกี่ยวข้อง

ผลลัพธ์ (ไทย) 3:

เพื่อนบ้านที่ใกล้ที่สุด ( NN ) ลักษณนามคือความนิยมที่ไม่ใช้พารามิเตอร์ลักษณนาม มันเป็นแนวคิดแบบง่ายๆ และแสดงให้เห็นถึงประสิทธิภาพที่ดี เนื่องจากคำสาปของ dimensionality ผล ขนาดของชุดฝึกอบรมที่จำเป็นเพื่อบรรลุให้ความแม่นยำในการจำแนกเป็น prohibitively ขนาดใหญ่เมื่อ dimensionality ของข้อมูลสูง การสร้างประดิษฐ์ลวดลายสามารถลดผลกระทบนี้ในบทความนี้เรานำเสนอนวนิยายรูปแบบการสังเคราะห์เรียกพาร์ทิชันรูปแบบการสังเคราะห์ซึ่งสามารถสร้างเทียมชุดฝึกเพื่อชี้แจงเมื่อเทียบกับที่ของชุดฝึกให้เดิมตาม เรายังเสนอวิธีการทำงานไม่เร็วตามเหมาะสมกับรูปแบบการฝึกอบรมสังเคราะห์ ในทางทฤษฎีความสัมพันธ์ระหว่างวิธีการ NN ปกติของเราคือตั้งขึ้น ความต้องการการคำนวณของวิธีการของเราจัดตั้งในทางทฤษฎี ผลการทดลองแสดงให้เห็นว่าใช้คำลักษณนามกับชุดฝึกอบรม nn nn คือสังเคราะห์สามารถมีประสิทธิภาพสูงกว่าปกติและบางอื่น ๆที่เกี่ยวข้อง คือ