Classifiers such as KNN, SVM, Artif

Classifiers such as KNN, SVM, Artificial Neural Network (ANN), Probabilistic Neural Network (PNN), Hidden Markov Model (HMM), etc. are used for various applications in real time. Each of the classification schemes previously mentioned has its own unique properties and associated strengths and problems. In KNN, the major limitation is that it uses all features in distance computationally severe, chiefly when the size of training set grows. Beside this, the accuracy of k-nearest neighbor classification is severely degraded by the presence of noisy or unrelated features, particularly when the number of attributes grows. In PNN, limitations is that it is slower than multilayer perceptron networks at classifying new cases and it requires more memory space to store the model. ANN, it performs better than other than other classification method with high dimensional features and contradictory data. But the high computing cost which consumes high CPU and physical memory usage is the main disadvantage of ANN. Bayesian approach outstanding with its simplicity and low computational cost in both the training and classifying stage and it has been widely implemented in various types of domains and applications. But this generative method has been reported to be less accurate than the discriminative methods such as SVM. SVM has shown to be more accurate than other classification approaches [14].

ผลลัพธ์ (ไทย) 1:

คำหลักภาษาเช่น KNN, SVM เครือข่ายประสาทเทียม (แอน), เครือข่ายระบบประสาทน่าจะ (PNN), ซ่อน Markov รุ่น (HMM) ฯลฯ จะใช้สำหรับการใช้งานต่าง ๆ ในเวลาจริง แต่ละแผนงานการจัดประเภทที่กล่าวก่อนหน้านี้ มีคุณสมบัติที่เป็นเอกลักษณ์ และจุดแข็งที่เกี่ยวข้องปัญหาของตนเอง ใน KNN ข้อจำกัดที่สำคัญคือ การใช้คุณลักษณะทั้งหมดในระยะรุนแรง computationally เมื่อขยายขนาดของชุดการฝึกอบรมส่วนใหญ่ นอกจากนี้ ความถูกต้องของประเภท k ใกล้บ้านจะรุนแรงสลายตัว โดยการปรากฏตัวของคุณสมบัติ เสียงดัง หรือไม่เกี่ยวข้องโดยเฉพาะเมื่อหมายเลขของแอตทริบิวต์เติบโต ใน PNN ข้อจำกัดคือ มันเป็นช้ากว่าเพอร์เซปตรอนหลายเครือข่ายที่จัดประเภทใหม่กรณี และมันต้องใช้พื้นที่หน่วยความจำเพิ่มเติมในการจัดเก็บแบบจำลอง แอน มันทำดีขึ้นกว่าที่อื่น ๆ ที่ไม่ใช่วิธีการจัดประเภทอื่น ๆ มีคุณสมบัติมิติสูงและข้อมูลขัดแย้ง แต่สูงคำนวณต้นทุนที่ใช้ CPU สูง และใช้หน่วยความจำทางกายภาพเป็นข้อเสียหลักของวิธีทฤษฎี ANN. โดดเด่น ด้วยความเรียบง่ายและต้นทุนต่ำที่คำนวณทั้งในการฝึกอบรมและจัดประเภทขั้นตอน และมันมีการอย่างกว้างขวางใช้ในโดเมนและการใช้งานที่หลากหลาย แต่วิธีนี้ส่วนที่มีการรายงานมีความถูกต้องน้อยกว่าวิธี discriminative เช่น SVM SVM ได้แสดงที่จะแม่นยำกว่าวิธีการอื่น ๆ การจำแนกประเภท [14]

ผลลัพธ์ (ไทย) 2:

ลักษณนามเช่น KNN, SVM, โครงข่ายประสาทเทียม (ANN) น่าจะเป็นโครงข่ายประสาทเทียม (PNN) Hidden Markov Model (HMM) ฯลฯ จะใช้สำหรับการใช้งานต่างๆในเวลาจริง แต่ละรูปแบบการจัดหมวดหมู่ที่กล่าวถึงก่อนหน้านี้มีคุณสมบัติของตัวเองที่ไม่ซ้ำกันและจุดแข็งและปัญหาที่เกี่ยวข้อง ใน KNN ที่ข้อ จำกัด ที่สำคัญคือการใช้คุณสมบัติทั้งหมดในระยะทางที่รุนแรงคอมพิวเตอร์ส่วนใหญ่เมื่อขนาดของชุดการฝึกอบรมที่เติบโตขึ้น ข้างนี้ความถูกต้องของ K-ที่ใกล้ที่สุดจำแนกเพื่อนบ้านเสื่อมโทรมอย่างรุนแรงจากการมีคุณสมบัติที่มีเสียงดังหรือไม่เกี่ยวข้องโดยเฉพาะอย่างยิ่งเมื่อจำนวนของคุณลักษณะที่เติบโตขึ้น PNN ในข้อ จำกัด ก็คือว่ามันจะช้ากว่าหลาย Perceptron เครือข่ายในการจำแนกผู้ป่วยรายใหม่และต้องใช้พื้นที่หน่วยความจำในการจัดเก็บรูปแบบ แอนมีประสิทธิภาพดีขึ้นกว่าที่อื่น ๆ กว่าวิธีการจัดหมวดหมู่อื่น ๆ ที่มีคุณสมบัติมิติสูงและข้อมูลที่ขัดแย้ง แต่ค่าใช้จ่ายสูงคอมพิวเตอร์ที่สิ้นเปลือง CPU สูงและการใช้งานหน่วยความจำกายภาพเป็นข้อเสียเปรียบหลักของ ANN วิธีการแบบเบส์ที่โดดเด่นด้วยความเรียบง่ายและค่าใช้จ่ายในการคำนวณต่ำทั้งในการฝึกอบรมและการจำแนกประเภทเวทีและจะได้รับการดำเนินการกันอย่างแพร่หลายในหลายประเภทของโดเมนและการประยุกต์ใช้ แต่วิธีการกำเนิดนี้ได้รับรายงานว่าจะมีความถูกต้องน้อยกว่าวิธีการจำแนกเช่น SVM SVM ได้แสดงให้เห็นว่ามีความถูกต้องมากขึ้นกว่าวิธีการจัดหมวดหมู่อื่น ๆ [14]

ผลลัพธ์ (ไทย) 3:

คำลักษณนามเช่น knn SVM , เครือข่ายใยประสาทเทียม ( ANN ) , เครือข่ายประสาทความน่าจะเป็น ( pnn ) ฮิดเดนมาร์คอฟโมเดล ( อืม ) ฯลฯ จะใช้ในโปรแกรมประยุกต์ต่าง ๆในเวลาจริง ของแต่ละหมวดหมู่โครงการที่กล่าวถึงก่อนหน้านี้มีคุณสมบัติเฉพาะของตนเอง และเชื่อมโยงจุดแข็งและปัญหา ใน knn , ข้อจำกัดที่สำคัญคือการใช้คุณสมบัติทั้งหมดของระยะห่าง computationally รุนแรงเป็นที่ตั้ง เมื่อขนาดของชุดฝึกอบรมที่เติบโตขึ้น นอกจากนี้ความถูกต้องของการจำแนกเพื่อนบ้านละก็เสื่อมโทรมอย่างรุนแรง โดยมีลักษณะเสียงดังหรือที่ไม่เกี่ยวข้องโดยเฉพาะเมื่อจำนวนของแอตทริบิวต์ที่เติบโตขึ้น ใน pnn ข้อจำกัดคือ มันช้ากว่าเครือข่ายธรรมดาที่จัดหลายรายใหม่ และต้องการเพิ่มเติมหน่วยความจำในการจัดเก็บแบบ แอน มันมีประสิทธิภาพดีกว่าวิธีอื่นๆ นอกจากการมีมิติสูงและข้อมูลที่ขัดแย้งกัน แต่ต้นทุนการคำนวณสูงซึ่งใช้ CPU และการใช้หน่วยความจำเป็นสูงทางกายภาพ ข้อเสียเปรียบหลักของแอน คชกรรมวิธีการที่โดดเด่นกับความเรียบง่ายและการคำนวณต้นทุนต่ำทั้งในการฝึกอบรมและจัดเวที และมีการใช้กันอย่างแพร่หลายในประเภทต่างๆของโดเมนและการประยุกต์ใช้ แต่วิธีนี้เข้าได้ถูกต้องน้อยกว่าวิธี SVM และเช่น . SVM ได้แสดงให้มีความถูกต้องมากกว่าวิธีการอื่น ๆ [ 14 ]