In this article, we described robus

In this article, we described robust extensions of the nearest neighbor pattern classifier,
analyzed their capabilities, and described their empirical behavior in incremental, supervised
learning applications. Our analysis showed that IBL algorithms can learn any concept
describable as a finite union of closed hypercurves of finite size in the instance space whose
instances are selected from any fixed and bounded continuous distribution. We then showed
that these algorithm's storage requirements can be sharply reduced with small sacrifices
in classification accuracy. Finally, we demonstrated that this storage-reducing algorithm
can be improved by using a selective utilization filter on the saved instances. This improved
the algorithm's ability to tolerate noisy instances.

ผลลัพธ์ (ไทย) 1:

ในบทความนี้ เราอธิบายส่วนขยายประสิทธิภาพของ classifier รูปแบบที่ใกล้ที่สุดของเพื่อนบ้านวิเคราะห์ความสามารถ และอธิบายลักษณะการทำงานของพวกเขาประจักษ์ในแบบเพิ่มเติม มีเรียนรู้การใช้งาน วิเคราะห์ของเราแสดงให้เห็นว่า อัลกอริทึม IBL สามารถเรียนรู้แนวคิดใด ๆdescribable เป็นสหภาพแรงงานมีจำกัดปิด hypercurves ขนาดจำกัดในอินสแตนซ์ของพื้นที่ที่เลือกอินสแตนซ์จากการกระจายที่ต่อเนื่องถาวร และกี่ เราพบแล้วว่า อัลกอริทึมเหล่านี้จัดเก็บข้อมูลความต้องการได้อย่างรวดเร็วลดลง มีขนาดเล็กบูชาในความถูกต้องของประเภท สุดท้าย ว่าที่นี้ขั้นตอนวิธีการจัดเก็บลดลงสามารถปรับปรุง โดยใช้ตัวกรองเลือกใช้บนอินสแตนซ์ที่บันทึกไว้ นี้ปรับปรุงของอัลกอริทึมที่ความสามารถในการทนต่อเสียงดังกรณี

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เราจะอธิบายส่วนขยายที่แข็งแกร่งของรูปแบบลักษณนามเพื่อนบ้านที่ใกล้ที่สุด, การวิเคราะห์ความสามารถของพวกเขาและอธิบายพฤติกรรมเชิงประจักษ์ในการที่เพิ่มขึ้นภายใต้การดูแลโปรแกรมการเรียนรู้ การวิเคราะห์ของเราแสดงให้เห็นว่าขั้นตอนวิธีการ IBL สามารถเรียนรู้แนวความคิดใด ๆพรรณนาเป็นสหภาพ จำกัด ของ hypercurves ปิดที่มีขนาด จำกัด เช่นในพื้นที่ที่มีกรณีถูกเลือกจากการแก้ไขใดๆ และขอบเขตการจัดจำหน่ายอย่างต่อเนื่อง จากนั้นเราจะแสดงให้เห็นว่าวิธีเหล่านี้ต้องการจัดเก็บข้อมูลจะลดลงอย่างรวดเร็วด้วยการเสียสละเล็ก ๆ ในความถูกต้องการจัดหมวดหมู่ สุดท้ายเราแสดงให้เห็นว่าขั้นตอนวิธีการจัดเก็บลดนี้ได้ดีขึ้นโดยใช้ตัวกรองการใช้เลือกในกรณีที่บันทึกไว้ นี้การปรับปรุงความสามารถของอัลกอริทึมที่จะทนต่อกรณีที่มีเสียงดัง

ผลลัพธ์ (ไทย) 3:

ในบทความนี้เราจะอธิบายประสิทธิภาพส่วนขยายของเพื่อนบ้านที่ใกล้ที่สุดรูปแบบประเภท
วิเคราะห์ความสามารถของพวกเขาและอธิบายพฤติกรรมเชิงประจักษ์ของเพิ่ม ดูแล
การเรียนรู้โปรแกรม การวิเคราะห์ของเราแสดงให้เห็นว่าขั้นตอนวิธี IBL สามารถเรียนรู้ใด ๆ แนวคิด
บอกกันเป็นสหภาพวิธีปิด hypercurves ขนาด จำกัด ในกรณีพื้นที่ที่มี
กรณีเลือกจากใด ๆและการกระจายอย่างต่อเนื่องถาวร จำกัด เราพบ
ที่ความต้องการกระเป๋าเหล่านี้ขั้นตอนวิธีสามารถอย่างรวดเร็วลดลง
เสียสละขนาดเล็กในการจำแนกความ สุดท้ายเราแสดงให้เห็นว่านี้กระเป๋าลดขั้นตอนวิธี
สามารถปรับปรุงได้โดยการใช้ตัวกรองการใช้เลือกในบันทึกกรณี โดย
ขั้นตอนวิธีของความสามารถในการทนต่อกรณีดัง