The 'raw' (k/2)logn formula for the

The 'raw' (k/2)logn formula for the learnable information, however, does not always produce satisfying results; to obtain these, one often needs more precise nonasymptotic formulas. For Bayes-style, predictive-sequential and NML approaches, these formulas do not involve any quantization. Therefore, in practice they are often easier to use than the original two-part MDL.

ผลลัพธ์ (ไทย) 1:

สูตร logn 'วัตถุดิบ' (k/2) ข้อมูล learnable อย่างไรก็ตาม ไม่เสมอผลลัพธ์ความพึงพอใจ รับเหล่านี้ หนึ่งมักต้อง nonasymptotic สูตรชัดเจนยิ่งขึ้น Bayes สไตล์ ทำนายตามลำดับและบริษัทเอ็นเอ็มแอลวิธี สูตรเหล่านี้ไม่เกี่ยวข้องใด ๆ quantization ดังนั้น ในทางปฏิบัติ มักง่ายต่อการใช้กว่าอเนกประสงค์ MDL สองส่วนเดิม

ผลลัพธ์ (ไทย) 2:

'ดิบ' (k / 2) สูตร logn สำหรับข้อมูล learnable แต่ไม่เคยให้ผลลัพธ์ที่น่าพอใจ; ที่จะได้รับเหล่านี้หนึ่งมักจะต้องการสูตร nonasymptotic แม่นยำมากขึ้น สำหรับเบส์สไตล์ทำนายลำดับและวิธีการ NML สูตรเหล่านี้ไม่ได้เกี่ยวข้องกับควอนใด ๆ ดังนั้นในทางปฏิบัติพวกเขามักจะใช้งานง่ายกว่าเดิมสองส่วน MDL

ผลลัพธ์ (ไทย) 3:

' ดิบ ' ( K / 2 ) พัฒนาสูตรสำหรับข้อมูล learnable อย่างไรก็ตาม ไม่ เสมอ เพื่อให้ได้ผลผลิตที่น่าพอใจ ; เหล่านี้มักจะต้องแม่นกว่า nonasymptotic สูตร สำหรับ Bayes สไตล์แบบต่อเนื่องและ NML แนว สูตรเหล่านี้ไม่เกี่ยวข้องกับการอาศัย ดังนั้น ในการฝึกพวกเขามักจะง่ายต่อการใช้มากกว่าสองเครื่องเดิม