This paper proposes to use neural n

This paper proposes to use neural network ensemble to edit the training data
set for kNN classifiers. In detail, a neural network ensemble is trained from the
original training data set. Then, the class labels of the training examples are
replaced by the labels generated by the neural network ensemble. Experiments
show that such an approach could achieve better editing effect than the Depuration
algorithm does.
This paper also examines the Depuration algorithm and identifies the two
editing schemes it adopted. Through detaching these two schemes, this paper
derives two new editing approaches from Depuration, i.e. RelabelOnly and RemoveOnly.
Experiments show that the editing effect of Depuration is only comparable
to that of RelabelOnly while worse than that of RemoveOnly. This discloses
that the scheme of RemoveOnly does not function in the Depuration algorithm.
Moreover, in some cases simultaneously using the scheme of RelabelOnly and
the scheme of RemoveOnly is even worse than using either of them. Exploring
the reason behind these observations is an interesting issue for future work.

ผลลัพธ์ (ไทย) 1:

กระดาษนี้เสนอการใช้โครงข่ายประสาทวงดนตรีเพื่อแก้ไขข้อมูลการฝึกอบรมตั้งค่าสำหรับคำนามภาษา kNN รายละเอียด ensemble ข่ายประสาทคือการฝึกอบรมจากการชุดข้อมูลการฝึกอบรมเดิม มีป้ายชื่อคลาสตัวอย่างฝึกแล้วแทนที่ ด้วยป้ายชื่อที่สร้างขึ้น โดยวงดนตรีของเครือข่ายประสาท ทดลองแสดงว่า วิธีการดังกล่าวสามารถบรรลุผลแก้ไขดีกว่าที่ Depurationอัลกอริทึมไม่เอกสารนี้ยังตรวจสอบอัลกอริทึม Depuration และระบุทั้งสองแก้ไขโครงร่างที่จะนำมาใช้ ผ่าน detaching เหล่านี้สองร่าง กระดาษนี้มาสองวิธีแก้ไขใหม่จาก Depuration, RelabelOnly และ RemoveOnly เช่นกันทดลองแสดงผลแก้ไขของ Depuration คือเท่าเทียบเท่าที่ RelabelOnly ในขณะที่เลวร้ายยิ่งกว่าที่ RemoveOnly นี้เปิดเผยว่า โครงร่างของ RemoveOnly ไม่ทำงานในอัลกอริทึม Depurationนอกจากนี้ ในบางกรณีที่ใช้โครงร่างของ RelabelOnly กัน และโครงร่างของ RemoveOnly จะยิ่งแย่ลงกว่าการใช้อย่างใดอย่างหนึ่งของพวกเขา สำรวจเหตุสังเกตเหล่านี้เป็นประเด็นที่น่าสนใจสำหรับการทำงานในอนาคต

ผลลัพธ์ (ไทย) 2:

กระดาษนี้นำเสนอการใช้งานชุดเครือข่ายประสาทการแก้ไขข้อมูลการฝึกอบรมที่กำหนดไว้สำหรับ kNN ลักษณนาม ในรายละเอียดชุดเครือข่ายประสาทได้รับการฝึกฝนจากข้อมูลการฝึกอบรมชุดเดิม จากนั้นป้ายชื่อชั้นของตัวอย่างการฝึกอบรมจะถูกแทนที่ด้วยป้ายที่สร้างขึ้นโดยชุดโครงข่ายประสาทเทียม การทดลองแสดงให้เห็นว่าวิธีการดังกล่าวสามารถบรรลุผลการแก้ไขที่ดีกว่า Depuration อัลกอริทึมไม่. กระดาษนี้ยังตรวจสอบขั้นตอนวิธี Depuration และระบุทั้งสองรูปแบบการแก้ไขมันนำมาใช้ ผ่านการพลัดพรากทั้งสองรูปแบบบทความนี้มาสองวิธีการแก้ไขใหม่จาก Depuration คือ RelabelOnly และ RemoveOnly. ทดลองแสดงให้เห็นว่าผลการแก้ไขของ Depuration เป็นเพียงเปรียบได้กับที่ของ RelabelOnly ขณะที่เลวร้ายยิ่งกว่าที่ RemoveOnly นี้เปิดเผยว่าโครงการของ RemoveOnly ไม่สามารถทำงานได้ในขั้นตอนวิธี Depuration ได้. นอกจากนี้ในบางกรณีพร้อมกันโดยใช้รูปแบบของ RelabelOnly และรูปแบบของRemoveOnly จะยิ่งเลวร้ายยิ่งกว่าการใช้ทั้งของพวกเขา สำรวจเหตุผลที่อยู่เบื้องหลังข้อสังเกตเหล่านี้เป็นเรื่องที่น่าสนใจสำหรับการทำงานในอนาคต

ผลลัพธ์ (ไทย) 3:

บทความนี้เสนอการใช้เครือข่ายประสาทเพื่อแก้ไขชุดข้อมูลฝึก
ตั้ง knn ลักษณนาม รายละเอียด วงดนตรีเครือข่ายประสาทผ่านการอบรมจาก
เดิมการฝึกอบรมชุดข้อมูล แล้วเรียนป้ายชื่อของการฝึกอบรมตัวอย่าง
แทนที่ด้วยป้ายที่สร้างขึ้นโดยวงเครือข่ายประสาท การทดลอง
แสดงให้เห็นว่าวิธีการดังกล่าวสามารถบรรลุการแก้ไขผลที่ดีกว่า depuration
ขั้นตอนวิธีทำ
กระดาษนี้ยังตรวจสอบ depuration ขั้นตอนวิธีและระบุสอง
แก้ไขโครงร่างเป็นลูกบุญธรรม ผ่านแยกทั้งสองรูปแบบกระดาษนี้ได้มาใหม่สอง
แก้ไขวิธีจาก depuration ) และ relabelonly removeonly .
การทดลองแสดงให้เห็นว่าการแก้ไขผลของ depuration จะเทียบเท่ากับ
ที่ relabelonly ในขณะที่แย่กว่าของ removeonly . นี้เปิดเผย
ที่โครงการของ removeonly ไม่ได้ทํางานใน depuration ขั้นตอนวิธี .
นอกจากนี้ในบางกรณีพร้อมกันโดยใช้รูปแบบของ relabelonly และ
รูปแบบของ removeonly แย่กว่าการใช้ของพวกเขา สำรวจ
เหตุผลที่สังเกตเหล่านี้เป็นประเด็นที่น่าสนใจสำหรับการทำงานในอนาคต