Algorithms that employ these repres

Algorithms that employ these representations were improved by either storing and using
specific instances or by supporting partial matching techniques. For example, Utgoff (1989)
showed how the updating costs of incremental decision tree algorithms can be significantly
decreased by saving specific instances. Similarly, Volper and Hampson (1987) showed that
the perceptron's learning rate can be significantly increased in some applications by using
specific instance detectors. Finally, Michalski et al. (1986) extended AQI1 (Michalski &
Larson, 1978) to employ partial matching strategies to support the description ofprobabilistic
concepts as defined in Smith and Medin (1981). The topic of this article is instance-based
learning algorithms, which use specific instances rather than pre-compiled abstractions
during prediction tasks. These algorithms can also describe probabilistic concepts because
they use similarity functions to yield graded matches between instances.

ผลลัพธ์ (ไทย) 1:

อัลกอริทึมที่ใช้นำเสนอเหล่านี้ถูกปรับปรุง โดยการจัดเก็บ และใช้อินสแตนซ์ที่เฉพาะหรือ โดยการสนับสนุนเทคนิคบางส่วนตรงกัน ตัวอย่างเช่น Utgoff (1989)พบว่าต้นทุนปรับปรุงอัลกอริทึมต้นไม้ตัดสินใจเพิ่มขึ้นได้อย่างมีนัยสำคัญลดลง โดยบันทึกบาง ในทำนองเดียวกัน Volper และ Hampson (1987) ชี้ให้เห็นว่าของเพอร์เซปตรอนเรียนอัตราสามารถถูกเพิ่มในโปรแกรมประยุกต์บางโปรแกรม โดยใช้ตรวจจับอินสแตนซ์ สุดท้าย Michalski และ al. (1986) ขยาย AQI1 (Michalski &Larson, 1978) การใช้กลยุทธ์ตรงบางส่วนเพื่อสนับสนุน ofprobabilistic อธิบายแนวคิดตามที่กำหนดไว้ในสมิธและ Medin (1981) หัวข้อของบทความนี้เป็นตัวอย่างตามอัลกอริทึม ซึ่งใช้บางแทนที่คอมไพล์ก่อน abstractions การเรียนรู้ในระหว่างงานการคาดเดา อัลกอริทึมเหล่านี้ยังสามารถอธิบายแนวคิด probabilistic เนื่องจากพวกเขาใช้ฟังก์ชันคล้ายให้คู่กับอินสแตนซ์ที่มีการจัดระดับ

ผลลัพธ์ (ไทย) 2:

อัลกอริทึมที่ใช้การแสดงเหล่านี้ได้รับการปรับปรุงโดยการจัดเก็บและใช้อินสแตนซ์ที่เฉพาะเจาะจงหรือโดยการสนับสนุนเทคนิคการจับคู่บางส่วน ยกตัวอย่างเช่น Utgoff (1989) แสดงให้เห็นว่าค่าใช้จ่ายในการปรับปรุงขั้นตอนวิธีการของการตัดสินใจต้นไม้ที่เพิ่มขึ้นอย่างมีนัยสำคัญสามารถลดลงโดยการบันทึกกรณีที่เฉพาะเจาะจง ในทำนองเดียวกัน Volper และแฮมพ์ (1987) แสดงให้เห็นว่าอัตราการเรียนรู้ตรอนที่สามารถเพิ่มขึ้นอย่างมีนัยสำคัญในการใช้งานบางอย่างโดยใช้เครื่องตรวจจับกรณีเฉพาะ สุดท้าย Michalski et al, (1986) ขยาย AQI1 (Michalski & Larson, 1978) การใช้กลยุทธ์การจับคู่บางส่วนที่จะสนับสนุนคำอธิบาย ofprobabilistic แนวคิดที่กำหนดไว้ในสมิ ธ และ Medin (1981) หัวข้อของบทความนี้เป็นตัวอย่างตามขั้นตอนวิธีการเรียนรู้ที่ใช้เฉพาะกรณีมากกว่านามธรรมก่อนรวบรวมในช่วงงานการทำนาย ขั้นตอนวิธีการเหล่านี้ยังสามารถอธิบายแนวความคิดที่น่าจะเป็นเพราะพวกเขาใช้ฟังก์ชั่นความคล้ายคลึงกันเพื่อให้ตรงกับช้าระหว่างกรณี

ผลลัพธ์ (ไทย) 3:

ขั้นตอนวิธีที่ใช้เป็นตัวแทนเหล่านี้ดีขึ้นด้วยเช่นกัน การจัดเก็บและการใช้
กรณีเฉพาะ หรือการสนับสนุนบางส่วนที่ตรงกัน เทคนิค ตัวอย่างเช่น utgoff ( 1989 ) พบว่าค่า
ปรับปรุงขั้นตอนวิธีต้นไม้การตัดสินใจเพิ่มสามารถอย่างมีนัยสำคัญ
ลดลงโดยการบันทึกกรณีเฉพาะ . และในทำนองเดียวกัน volper แฮมป์สัน ( 1987 ) พบว่า
อัตราการเรียนรู้ของเพอร์เซปตรอนจะเพิ่มขึ้นในบางโปรแกรมโดยใช้
เครื่องตรวจจับตัวอย่างที่เฉพาะเจาะจง ในที่สุด Michalski et al . ( 1986 ) ขยาย aqi1 ( Michalski &
Larson , 1978 ) จ้างบางส่วนตรงกับกลยุทธ์เพื่อสนับสนุนรายละเอียด ofprobabilistic
แนวคิดตามที่กําหนดไว้ใน สมิธ medin ( 1981 ) หัวข้อของบทความนี้คือตัวอย่าง
อัลกอริทึมการเรียนรู้ตามซึ่งใช้อินสแตนซ์ที่เฉพาะเจาะจงมากกว่าก่อนรวบรวมนามธรรม
ในระหว่างงานพยากรณ์ ขั้นตอนวิธีการเหล่านี้สามารถอธิบายแนวคิดของความน่าจะเป็น เพราะพวกเขาใช้ฟังก์ชันที่คล้ายคลึง กับผลผลิต
ให้ตรงกันระหว่างอินสแตนซ์ .