This paper presents a lazy approach

This paper presents a lazy approach to learning naive
Bayes models. Like all lazy learning methods our
approach simply stores the training data and defers
the effort involved in learning until classification time.
When called upon to classify a new instance, we construct
a new naive Bayes model using a weighted set of
training instances in the locale of the test instance. Local
learning helps to mitigate the effects of attribute
dependencies that may exist in the data as a whole
and we expect this method to do well if there are no
strong dependencies within the neighbourhood of the
test instance. Because naive Bayes requires relatively
little data for training, the neighbourhood can be kept
small, thereby reducing the chance of encountering
strong dependencies. In our implementation the size of
the neighbourhood is chosen in a data-dependent fashion
based on the distance of the k-th nearest-neighbour

ผลลัพธ์ (ไทย) 1:

เอกสารนี้แสดงวิธีขี้เกียจไปเรียนขำน่ารูปแบบจำลองของ Bayes ชอบวิธีการเรียนรู้ซี่ทั้งหมดของเราวิธีเก็บข้อมูลการฝึกอบรม และ defers เพียงความพยายามเกี่ยวข้องกับการเรียนจนถึงเวลาจัดประเภทเมื่อเรียกตามการจัดประเภทอินสแตนซ์ใหม่ เราสร้างขำน่า Bayes แบบใหม่โดยใช้การตั้งค่าถ่วงน้ำหนักของอินสแตนซ์การฝึกอบรมในของตัวอย่างทดสอบ ในท้องถิ่นช่วยบรรเทาผลกระทบของคุณลักษณะการเรียนรู้การอ้างอิงที่อาจมีอยู่ในข้อมูลทั้งหมดและเราคาดหวังว่าวิธีนี้จะดีถ้ามีไม่มีแข็งแรงขึ้นภายในพื้นที่ใกล้เคียงของทดสอบตัวอย่าง เพราะขำน่า Bayes ต้องค่อนข้างข้อมูลเล็กน้อยสำหรับการฝึกอบรม สามารถเก็บไปขนาดเล็ก จึงช่วยลดโอกาสของการพบแข็งแรงขึ้น ในการดำเนินของเราขนาดของไปขึ้นอยู่กับข้อมูลในขึ้นอยู่กับระยะห่างของการ k th ที่ใกล้ที่สุดเพื่อนบ้าน

ผลลัพธ์ (ไทย) 2:

บทความนี้นำเสนอวิธีการที่ขี้เกียจที่จะเรียนรู้ที่ไร้เดียงสาแบบเบส์
เช่นเดียวกับวิธีการเรียนรู้ขี้เกียจของเราวิธีการเพียงแค่เก็บข้อมูลการฝึกอบรมและคล้อยตามความพยายามที่เกี่ยวข้องในการเรียนรู้จนกว่าจะถึงเวลาการจัดหมวดหมู่. เมื่อเรียกร้องในการจำแนกตัวอย่างใหม่ที่เราสร้างรูปแบบเบส์ไร้เดียงสาใหม่โดยใช้ชุดถ่วงน้ำหนักของกรณีการฝึกอบรมในสถานที่เกิดเหตุของตัวอย่างการทดสอบ ท้องถิ่นการเรียนรู้ที่จะช่วยในการบรรเทาผลกระทบของแอตทริบิวต์การอ้างอิงที่อาจมีอยู่ในข้อมูลโดยรวมและเราคาดว่าวิธีนี้จะทำดีถ้าไม่มีการอ้างอิงที่แข็งแกร่งภายในพื้นที่ใกล้เคียงของตัวอย่างทดสอบ เพราะเบส์ไร้เดียงสาต้องค่อนข้างข้อมูลเล็ก ๆ น้อย ๆ สำหรับการฝึกอบรมพื้นที่ใกล้เคียงสามารถเก็บไว้เล็กๆ ซึ่งจะช่วยลดโอกาสที่จะพบการอ้างอิงที่แข็งแกร่ง ในการดำเนินงานของเราขนาดของพื้นที่ใกล้เคียงได้รับการแต่งตั้งในรูปแบบขึ้นอยู่กับข้อมูลตามระยะทางของที่k-ที่ใกล้ที่สุดเพื่อนบ้าน

ผลลัพธ์ (ไทย) 3:

A small rectangular black, caused by the intersection of the line.A small rectangular black, caused by the intersection of the line.A small rectangular black, caused by the intersection of the line.