In the past, nearest neighbor algor

In the past, nearest neighbor algorithms for learning from examples have worked best in domains in
which all features had numeric values. In such domains, the examples can be treated as points and distance metrics
can use standard definitions. In symbolic domains, a more sophisticated treatment of the feature space is required.
We introduce a nearest neighbor algorithm for learning in domains with symbolic features. Our algorithm calculates
distance tables that allow it to produce real-valued distances between instances, and attaches weights to the instances
to further modify the structure of feature space. We show that this technique produces excellent classification
accuracy on three problems that have been studied by machine learning researchers: predicting protein secondary
structure, identifying DNA promoter sequences, and pronouncing English text. Direct experimental comparisons
with the other learning algorithms show that our nearest neighbor algorithm is comparable or superior in all
three domains. In addition, our algorithm has advantages in training speed, simplicity, and perspicuity. We conclude
that experimental evidence favors the use and continued development of nearest neighbor algorithms for
domains such as the ones studied here.

ผลลัพธ์ (ไทย) 1:

ในอดีต ใกล้บ้าน สำหรับการเรียนรู้จากตัวอย่างทำงานดีที่สุดในโดเมนในคุณลักษณะทั้งหมดที่มีค่าตัวเลข ในโดเมนดังกล่าว ตัวอย่างสามารถเป็นจุดและการวัดระยะทางสามารถใช้ข้อกำหนดมาตรฐาน ในโดเมนสัญลักษณ์ รักษาความซับซ้อนมากขึ้นของคุณลักษณะที่จำเป็นเราแนะนำขั้นตอนวิธีเพื่อนบ้านที่ใกล้ที่สุดสำหรับเรียนในโดเมนด้วยสัญลักษณ์คุณลักษณะ อัลกอริทึมของเราคำนวณตารางระยะทางซึ่งทำให้สามารถผลิตมูลค่าจริงระยะทางระหว่างอินสแตนซ์ และน้ำหนักที่แนบกับอินสแตนซ์การปรับเปลี่ยนโครงสร้างของคุณลักษณะเพิ่มเติม แสดงว่า เทคนิคนี้ทำให้เกิดประเภทยอดเยี่ยมความถูกต้องใน 3 ปัญหาที่มีการศึกษา โดยนักวิจัยเรียนรู้เครื่อง: คาดการณ์โปรตีนรองโครงสร้าง ระบุลำดับดีเอ็นเอโปรโมเตอร์ และรอการออกเสียงภาษาอังกฤษ เปรียบเทียบการทดลองโดยตรงด้วยกระบวนการเรียนรู้อื่น ๆ แสดงว่าอัลกอริทึมของเราเพื่อนบ้านที่ใกล้ที่สุดเทียบเท่า หรือเหนือกว่าในทุกโดเมนที่สาม นอกจากนี้ อัลกอริทึมของเรามีข้อดีในความเร็วในการฝึกอบรม เรียบง่าย และ perspicuity เราสรุปหลักฐานการทดลองที่สนับสนุนการใช้และพัฒนาอย่างต่อเนื่องของอัลกอริทึมเพื่อนบ้านที่ใกล้ที่สุดสำหรับโดเมนเช่นคนเรียนที่นี่

ผลลัพธ์ (ไทย) 2:

ในอดีตที่ผ่านมาขั้นตอนวิธีการที่ใกล้ที่สุดสำหรับการเรียนรู้เพื่อนบ้านจากตัวอย่างที่ได้ทำงานที่ดีที่สุดในโดเมนซึ่งคุณสมบัติทั้งหมดมีค่าตัวเลข
ในโดเมนดังกล่าวตัวอย่างสามารถจะถือว่าเป็นจุดและตัวชี้วัดระยะทางที่สามารถใช้คำนิยามมาตรฐาน ในโดเมนสัญลักษณ์การรักษาที่ซับซ้อนมากขึ้นของพื้นที่คุณลักษณะที่จะต้อง.
เราแนะนำขั้นตอนวิธีการเพื่อนบ้านที่ใกล้ที่สุดสำหรับการเรียนรู้ในโดเมนที่มีคุณสมบัติที่เป็นสัญลักษณ์ อัลกอริทึมของเราคำนวณตารางระยะที่อนุญาตให้ผลิตในระยะทางจริงมูลค่าระหว่างกรณีและแนบน้ำหนักเพื่อกรณีเพื่อปรับเปลี่ยนโครงสร้างของพื้นที่คุณลักษณะ เราแสดงให้เห็นว่าเทคนิคนี้ผลิตการจัดหมวดหมู่ที่ดีความถูกต้องทั้งสามปัญหาที่ได้รับการศึกษาโดยนักวิจัยการเรียนรู้เครื่อง: ทำนายโปรตีนรองโครงสร้างการระบุลำดับการก่อการดีเอ็นเอและการออกเสียงภาษาอังกฤษ การเปรียบเทียบการทดลองตรงกับขั้นตอนวิธีการเรียนรู้อื่น ๆ แสดงให้เห็นว่าอัลกอริทึมของเราเพื่อนบ้านที่ใกล้ที่สุดหรือจะเปรียบที่เหนือกว่าในทุกสามโดเมน นอกจากนี้ขั้นตอนวิธีการของเรามีข้อได้เปรียบในความเร็วการฝึกอบรมความเรียบง่ายและความชัดเจน เราสรุปได้ว่าหลักฐานการทดลองโปรดปรานการใช้และการพัฒนาอย่างต่อเนื่องที่ใกล้ที่สุดของอัลกอริทึมเพื่อนบ้านสำหรับโดเมนเช่นคนที่เรียนที่นี่

ผลลัพธ์ (ไทย) 3:

ในอดีต เพื่อนบ้านที่ใกล้ที่สุดขั้นตอนวิธีการเรียนรู้จากตัวอย่างได้ผลที่ดีที่สุดในขอบเขต
ซึ่งคุณสมบัติทั้งหมดที่มีค่าเป็นตัวเลข เช่นโดเมนตัวอย่างที่สามารถถือว่าเป็นจุด และระยะเมตริก
สามารถใช้นิยามมาตรฐาน ในโดเมนสัญลักษณ์ , การรักษาที่ซับซ้อนมากขึ้นของลักษณะพื้นที่เป็นสิ่งจำเป็น .
เราแนะนำขั้นตอนวิธีการเพื่อนบ้านที่ใกล้ที่สุดเพื่อการเรียนรู้ โดเมน ด้วยคุณสมบัติของสัญลักษณ์ ขั้นตอนวิธีของเราคำนวณ
ตารางระยะทางที่อนุญาตให้มีการผลิตจริงระยะทางระหว่างอินสแตนซ์และแนบน้ำหนักในอินสแตนซ์
เพิ่มเติม ปรับเปลี่ยนโครงสร้างของลักษณะพื้นที่ เราแสดงให้เห็นว่าเทคนิคนี้ก่อให้เกิด
ประเภทยอดเยี่ยมความถูกต้องบนสามปัญหาที่ได้รับการศึกษาโดยการเรียนรู้เครื่องนักวิจัย : ทำนายโครงสร้างทุติยภูมิของโปรตีน
ระบุลำดับการดีเอ็นเอและการออกเสียงตัวอักษรภาษาอังกฤษ การเปรียบเทียบการทดลองโดยตรง
กับขั้นตอนวิธีการอื่น ๆที่แสดงขั้นตอนวิธีการเรียนรู้เพื่อนบ้านที่ใกล้ที่สุดคือ เทียบเท่า หรือเหนือกว่าในทุก
3 โดเมน นอกจากนี้ขั้นตอนวิธีของเรามีข้อดีในการฝึกอบรมความเร็วความเรียบง่ายและเพิซพิคยู . เราสรุปได้ว่าหลักฐานการทดลองสนับสนุน
ใช้และการพัฒนาอย่างต่อเนื่องของขั้นตอนวิธีการเพื่อนบ้านที่ใกล้ที่สุดเพื่อโดเมนเช่นคนที่เรียน
ที่นี่เลย