The Priority Learning step produces

The Priority Learning step produces an approximation of a preference structure, adapting the boosting approach described in [15] and [16]. The boosting method is able to produce highly accurate prediction of the rank by linearly combining many partial orderings which may be moderately accurate. In the rest of this section, we give an intuitive description of the boosting approach by sketching the RankBoost algorithm, given as pseudocode in Algorithm 1, and simulating its execution on a toy example.

Kết quả (Việt) 1:

Bước học tập ưu tiên sản xuất một xấp xỉ của một cấu trúc sở thích, thích ứng thúc đẩy cách tiếp cận được mô tả trong [15] và [16]. Các phương pháp thúc đẩy là có thể sản xuất rất chính xác dự đoán của các cấp bậc bằng tuyến tính cách kết hợp nhiều orderings một phần có thể khá chính xác. Trong phần còn lại của phần này, chúng tôi cung cấp cho một mô tả trực quan của các phương pháp thúc đẩy bởi phác thảo các thuật toán RankBoost, được đưa ra như là mã giả trong thuật toán 1, và mô phỏng thực hiện nó trên một ví dụ đồ chơi.

Kết quả (Việt) 2:

Các bước học tập ưu tiên sản xuất một xấp xỉ của một cấu trúc sở thích, thích nghi với các phương pháp thúc đẩy mô tả trong [15] và [16]. Các phương pháp thúc đẩy có thể sản xuất dự đoán chính xác cao của các cấp bậc của tuyến tính kết hợp nhiều orderings một phần có thể là vừa phải chính xác. Trong phần còn lại của phần này, chúng tôi đưa ra một mô tả trực quan của phương pháp thúc đẩy bởi phác họa các thuật toán RankBoost, cho là giả trong Algorithm 1, và mô phỏng thực hiện của nó trên một ví dụ đồ chơi.