Instance-based learning techniques

Instance-based learning techniques typically handle continuous and linear input values well,
but often do not handle nominal input attributes appropriately. The Value Difference Metric
(VDM) was designed to find reasonable distance values between nominal attribute values, but it
largely ignores continuous attributes, requiring discretization to map continuous values into
nominal values. This paper proposes three new heterogeneous distance functions, called the
Heterogeneous Value Difference Metric (HVDM), the Interpolated Value Difference Metric
(IVDM), and the Windowed Value Difference Metric (WVDM). These new distance functions
are designed to handle applications with nominal attributes, continuous attributes, or both. In
experiments on 48 applications the new distance metrics achieve higher classification accuracy
on average than three previous distance functions on those datasets that have both nominal and
continuous attributes.

ผลลัพธ์ (ไทย) 1:

เทคนิคการเรียนรู้อย่างปกติจัดการอย่างต่อเนื่อง และเส้นค่าอินพุตดีแต่มักจะไม่มีจัดการระบุคุณลักษณะอินพุตอย่างเหมาะสม การวัดค่าความแตกต่าง(VDM) ถูกออกแบบมาเพื่อค้นหาค่าระยะทางที่เหมาะสมระหว่างค่าของแอตทริบิวต์ที่ระบุ แต่ส่วนใหญ่ละเว้นคุณลักษณะอย่างต่อเนื่อง ต้องการ discretization แมปค่าอย่างต่อเนื่องเป็นค่าว่ายอม กระดาษนี้เสนอสามใหม่บริการจากฟังก์ชัน เรียกการค่าบริการต่างวัด (HVDM), การวัดความแตกต่างค่าการส(IVDM), และการเรียงค่าความแตกต่างวัด (WVDM) ฟังก์ชันเหล่านี้ห่างจากที่พักใหม่ถูกออกแบบมาเพื่อจัดการโปรแกรมประยุกต์ พร้อมแอตทริบิวต์ที่ระบุ แอตทริบิวต์อย่างต่อเนื่อง ในทดลองบนโปรแกรมประยุกต์ 48 วัดระยะทางใหม่ให้ความแม่นยำสูงการจัดประเภทโดยเฉลี่ยกว่าระยะก่อนหน้านี้สามฟังก์ชันบนเหล่า datasets ที่ว่ายอมทั้งสอง และแอตทริบิวต์อย่างต่อเนื่อง

ผลลัพธ์ (ไทย) 2:

เทคนิคการเรียนรู้ตัวอย่างที่ใช้มักจะจัดการกับค่าที่ป้อนเข้าอย่างต่อเนื่องและเชิงเส้นดี
แต่มักจะไม่ได้จัดการแอตทริบิวต์การป้อนข้อมูลที่ระบุได้อย่างเหมาะสม มูลค่าความแตกต่างเมตริก
(VDM) ถูกออกแบบมาเพื่อหาค่าระยะห่างที่เหมาะสมระหว่างค่าแอตทริบิวต์ที่ระบุ แต่ส่วนใหญ่ไม่สนใจคุณลักษณะอย่างต่อเนื่องที่ต้องใช้ต่อเนื่องไปยังแผนที่ค่าอย่างต่อเนื่องเข้าไปในค่าเล็กน้อย กระดาษนี้นำเสนอฟังก์ชั่นใหม่สามระยะทางที่แตกต่างกันที่เรียกว่าค่าความแตกต่างต่างกันเมตริก (HVDM) มูลค่า Interpolated ความแตกต่างเมตริก (IVDM) และค่าความแตกต่างของหน้าต่างเมตริก (WVDM) ฟังก์ชั่นเหล่านี้ระยะทางใหม่ได้รับการออกแบบมาเพื่อจัดการกับการใช้งานที่มีคุณลักษณะที่ระบุคุณลักษณะอย่างต่อเนื่องหรือทั้งสองอย่าง ในการทดลองในการใช้งาน 48 ตัวชี้วัดระยะทางใหม่ให้บรรลุความถูกต้องของการจัดหมวดหมู่ที่สูงขึ้นโดยเฉลี่ยกว่าสามฟังก์ชั่นระยะก่อนหน้านี้ชุดข้อมูลที่มีทั้งชื่อและคุณลักษณะอย่างต่อเนื่อง

ผลลัพธ์ (ไทย) 3:

ตัวอย่างการเรียนรู้เทคนิคมักจะจัดการอย่างต่อเนื่องและเส้นใส่ค่าดี
แต่มักจะไม่จัดการปกติใส่คุณลักษณะที่เหมาะสม ความแตกต่างของค่า (
( vdm ) ถูกออกแบบมาเพื่อค้นหาค่าระยะห่างที่เหมาะสมระหว่างระบุค่าแอตทริบิวต์ แต่ส่วนใหญ่ละเว้นแอตทริบิวต์
อย่างต่อเนื่อง โดยค่าแผนที่ค่าต่อเนื่องใน
ค่าปกติบทความนี้เสนอสามใหม่ฟังก์ชันระยะทางต่างกัน เรียกว่า
ข้อมูลความแตกต่างของค่าเมตริก ( hvdm ) , หยันความแตกต่างของค่าเมตริก
( ivdm ) และหน้าต่างความแตกต่างของค่าเมตริก ( wvdm ) ฟังก์ชันระยะทางใหม่เหล่านี้ถูกออกแบบมาเพื่อจัดการกับโปรแกรม
แอตทริบิวต์ชื่อแอตทริบิวต์ที่ต่อเนื่อง หรือทั้งสองอย่าง ใน
การทดลองใน 48 โปรแกรมตัวชี้วัดระยะทางใหม่ให้เกิดการจำแนกสูงกว่า
ความถูกต้องเฉลี่ยกว่าสามฟังก์ชันระยะทางก่อนหน้าข้อมูลที่มีทั้งชื่อและ
คุณสมบัติอย่างต่อเนื่อง