Nearest neighbor (NN) classifier is

Nearest neighbor (NN) classifier is the most popular non-parametric classifier. It is a simple
classifier with no design phase 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
outperform conventional NN classifiers and some other related classifiers.

ผลลัพธ์ (ไทย) 1:

ใกล้บ้าน (NN) classifier เป็น classifier ไม่ใช่พาราเมตริกที่นิยมมากที่สุด มันเป็นง่ายclassifier ด้วยระยะไม่ออก และแสดงประสิทธิภาพที่ดีขึ้น เนื่องจากคำสาปแช่งของ dimensionalityผล ขนาดของชุดที่จำเป็นเพื่อให้บรรลุการจัดประเภทให้การฝึกอบรมความถูกต้องเป็นใหญ่ prohibitively เมื่อ dimensionality ของข้อมูลสูง สร้างรูปแบบที่ประดิษฐ์สามารถลดผลกระทบนี้ ในเอกสารนี้ เราได้เสนอรูปแบบนวนิยายวิธีการสังเคราะห์ที่เรียกว่าพาร์ติชันโดยใช้รูปแบบสังเคราะห์ซึ่งสามารถสร้างการประดิษฐ์ชุดฝึกอบรมของเนนสั่งเมื่อเปรียบเทียบกับค่าของการฝึกอบรมเดิมกำหนดตั้งค่า นอกจากนี้เรายังเสนอวิธี NN โดยเร็วเหมาะในการทำงาน ด้วยการฝึกอบรมสังเคราะห์รูปแบบการ ตามหลักวิชา ความสัมพันธ์ระหว่างวิธีและวิธีเอ็นเอ็นธรรมดาของเราก่อตั้งขึ้น ความต้องการคำนวณของวิธีก็ตามหลักวิชาก่อตั้งขึ้น ผลการทดลองแสดงว่า เอ็นเอ็นโดยใช้คำนามภาษาชุดฝึกสังเคราะห์มีประสิทธิภาพสูงกว่าปกติ NN คำนามภาษาและบางอื่น ๆ ที่เกี่ยวข้องกับคำนามภาษา

ผลลัพธ์ (ไทย) 2:

เพื่อนบ้านที่ใกล้ที่สุด (NN) ลักษณนามเป็นลักษณนามที่ไม่ใช่ตัวแปรที่นิยมมากที่สุด
มันเป็นเรื่องง่ายที่ลักษณนามกับขั้นตอนการออกแบบและการแสดงผลงานที่ดี เนื่องจากคำสาปแช่งของมิติผลขนาดของชุดการฝึกอบรมที่จำเป็นโดยมันเพื่อให้บรรลุการจัดหมวดหมู่ได้รับความถูกต้องจะมีขนาดใหญ่สาหัสเมื่อมิติของข้อมูลที่อยู่ในระดับสูง การสร้างรูปแบบเทียมสามารถลดผลกระทบนี้ ในบทความนี้เรานำเสนอรูปแบบนวนิยายวิธีการสังเคราะห์ที่เรียกว่าการสังเคราะห์รูปแบบตามพาร์ทิชันที่สามารถสร้างเทียมชุดฝึกอบรมเพื่อชี้แจงเมื่อเทียบกับที่ของการฝึกอบรมที่เดิมได้รับการตั้งค่า นอกจากนี้เรายังนำเสนอที่เหมาะสมได้เร็วขึ้น NN วิธีการที่ใช้ในการทำงานร่วมกับการฝึกอบรมการสังเคราะห์รูปแบบ ในทางทฤษฎีความสัมพันธ์ระหว่างวิธีการและวิธีการเดิม NN ของเราเป็นที่ยอมรับ ความต้องการการคำนวณของวิธีการของเรานอกจากนี้ยังมีทฤษฎีที่จัดตั้งขึ้น ผลการทดลองแสดงให้เห็นว่าจําแนกตาม NN ด้วยการฝึกอบรมสังเคราะห์ตั้งดีกว่าแยกประเภททั่วไปNN และบางส่วนแยกประเภทอื่น ๆ ที่เกี่ยวข้อง

ผลลัพธ์ (ไทย) 3:

เพื่อนบ้านที่ใกล้ที่สุด ( NN ) ลักษณนาม คือไม่นิยมจัดลักษณนาม มันเป็นง่าย
ลักษณนามไม่มีขั้นตอนการออกแบบ และแสดงให้เห็นถึงประสิทธิภาพที่ดี เนื่องจากคำสาปของ dimensionality ผล ขนาดของชุดฝึกอบรมที่จำเป็นเพื่อบรรลุได้รับการจำแนก
ความถูกต้องเป็น prohibitively ขนาดใหญ่เมื่อ dimensionality ของข้อมูลสูง ผลิต
รูปแบบเทียมสามารถลดผลกระทบนี้ ในกระดาษนี้เราเสนอนวนิยายรูปแบบพาร์ทิชันรูปแบบการสังเคราะห์การสังเคราะห์วิธีการที่เรียกว่า

ซึ่งสามารถสร้างเทียมชุดฝึกเพื่อชี้แจงเมื่อเทียบกับของที่ได้รับการอบรมเดิม
ตั้งตาม เรายังเสนอวิธีการทำงานไม่เร็วตามเหมาะสมกับการฝึกอบรม
สังเคราะห์รูปแบบ ในทางทฤษฎีความสัมพันธ์ระหว่างวิธีการของเราและวิธีการ
NN ปกติคือตั้งขึ้น ความต้องการการคำนวณของวิธีการของเรายังมีทฤษฎี
ตั้งขึ้น ผลการทดลองแสดงให้เห็นว่าใช้คำลักษณนามกับ NN
ชุดฝึกสังเคราะห์ดีกว่าคำลักษณนาม NN ปกติและอื่น ๆ ที่เกี่ยวข้อง คือ