closer the distance, proximity for

closer the distance, proximity for the similarity of class is more. In order to minimize the knn compute time. we have designed opencl base parallel algorithm for many core highly parallel architectures. the results for our opencl base parkmn proves that the performance scales up sub-linearly towards the improved performance of parallel knn. the classification accuracy is not identified with the proportional value of k.the better k is to be identified by multiple observations only. however,concerned to performance our parallel knn, parknn, we observed satisfactory scale up

ผลลัพธ์ (ไทย) 1:

ใกล้ชิด ระยะใกล้สำหรับเฉพาะคลาสได้เพิ่มเติม เพื่อลดเวลาคำนวณ knn เราได้ออกแบบ opencl ฐานขนานอัลกอริทึมสำหรับสถาปัตยกรรมแบบขนานสูงหลักหลาย ผลลัพธ์สำหรับ parkmn ของเราฐาน opencl พิสูจน์ว่า ประสิทธิภาพจัดมาตราส่วนค่าย่อยเชิงเส้นต่อการปรับปรุงประสิทธิภาพของ knn ขนาน ไม่มีระบุประเภทความถูกต้องกับค่าสัดส่วนของ k.the k ดีกว่าคือการระบุได้ ด้วยการสังเกตการณ์หลายเท่า อย่างไรก็ตาม เกี่ยวข้องกับประสิทธิภาพ knn ขนานของเรา parknn เราสังเกตมาตราส่วนพอขึ้น

ผลลัพธ์ (ไทย) 2:

ใกล้ชิดระยะทางที่ใกล้ชิดสำหรับความคล้ายคลึงกันของการเรียนมากขึ้น เพื่อที่จะลดเวลาในการคำนวณ KNN เราได้ออกแบบฐาน OpenCL อัลกอริทึมแบบขนานสำหรับหลายหลักสถาปัตยกรรมแบบขนานสูง ผลสำหรับ parkmn ฐาน OpenCL ของเราพิสูจน์ให้เห็นว่าผลการดำเนินงานขึ้นตาชั่งย่อยเป็นเส้นตรงต่อผลการดำเนินงานที่ดีขึ้นของ KNN ขนาน ความถูกต้องจำแนกไม่ได้ยึดติดกับค่าสัดส่วนของ k.the ดีกว่า k จะได้รับการระบุข้อสังเกตหลายเท่านั้น แต่เกี่ยวข้องกับการปฏิบัติ KNN ขนานของเรา parknn เราสังเกตระดับที่น่าพอใจขึ้น

ผลลัพธ์ (ไทย) 3:

ใกล้ ไกล เช่น ในความเหมือนกันของชั้นมากกว่า เพื่อลด knn คำนวณเวลา เราได้ออกแบบขั้นตอนวิธีแบบขนานสำหรับ OpenCL ฐานหลักสูงหลายขนานสถาปัตยกรรม . ผล parkmn OpenCL ฐานของเราพิสูจน์ประสิทธิภาพเครื่องชั่งขึ้นซับง่ายต่อการปรับปรุงประสิทธิภาพของ knn ขนานความแม่นยำในการจำแนกไม่ได้ระบุกับค่าสัดส่วนของ k.the ดีกว่า K จะระบุข้อสังเกตหลายเท่านั้น อย่างไรก็ตาม ความกังวลของ knn ขนานของเรา parknn เราสังเกตระดับน่าพอใจขึ้น