Since kNN classifiers are sensitive

Since kNN classifiers are sensitive to outliers and noise contained
in the training data set, many approaches have been proposed
to edit the training data so that the performance of the classifiers can
be improved. In this paper, through detaching the two schemes adopted
by the Depuration algorithm, two new editing approaches are derived.
Moreover, this paper proposes to use neural network ensemble to edit
the training data for kNN classifiers. Experiments show that such an
approach is better than the approaches derived from Depuration, while
these approaches are better than or comparable to Depuration.

ผลลัพธ์ (ไทย) 2:

ตั้งแต่แยกประเภท kNN มีความไวต่อค่าผิดปกติและเสียงที่มีอยู่ในข้อมูลชุดการฝึกอบรมวิธีการจำนวนมากได้รับการเสนอการแก้ไขข้อมูลการฝึกอบรมเพื่อให้ประสิทธิภาพการทำงานของตัวจําแนกที่สามารถปรับปรุงให้ดีขึ้น ในบทความนี้ผ่านการพลัดพรากทั้งสองรูปแบบที่นำมาใช้โดยวิธี Depuration ที่สองวิธีการแก้ไขใหม่จะได้มา. นอกจากนี้งานวิจัยนี้ได้เสนอที่จะใช้ชุดโครงข่ายประสาทเทียมในการแก้ไขข้อมูลการฝึกอบรมสำหรับ kNN ลักษณนาม การทดลองแสดงให้เห็นว่าดังกล่าวเป็นวิธีการที่ดีกว่าวิธีการที่ได้มาจาก Depuration ในขณะที่วิธีการเหล่านี้จะดีกว่าหรือเทียบได้กับDepuration

ผลลัพธ์ (ไทย) 3:

เนื่องจากมีความไวผิดปกติ knn คำและเสียงที่มีอยู่
ในการฝึกอบรม ข้อมูลตั้งหลายวิธีได้ถูกเสนอ
เพื่อแก้ไขข้อมูลการฝึกอบรมเพื่อให้เห็นว่าประสิทธิภาพของคำลักษณนามสามารถ
ได้รับการปรับปรุง ในกระดาษนี้ ผ่านแยกสองร่างประกาศใช้
โดย depuration วิธีการสองวิธีตัดต่อใหม่ ( .
นอกจากนี้บทความนี้เสนอการใช้วงดนตรีเครือข่ายประสาทเพื่อแก้ไข
ข้อมูลการฝึกอบรม knn ลักษณนาม การทดลองแสดงให้เห็นว่าวิธีการดังกล่าว
ดีกว่าวิธีการที่ได้มาจาก depuration ในขณะที่
วิธีนี้ดีกว่าหรือเทียบเท่ากับ depuration .