1.The irrelevant input features wil

1.The irrelevant input features will induce greater computational cost. For example, using
cached kd-trees as we discussed in last chapter, locally weighted linear regression’s computational expense is O(m3 + m2 log N) for doing a single prediction, where N is the number of data points in memory and m is the number of features used. Apparently, with more features, the computational cost for predictions will increase polynomially; especially when there are a large number of such predictions, the computational cost will increase immensely

Kết quả (Việt) 1:

1. the tính năng đầu vào không liên quan sẽ tạo ra nhiều hơn chi phí tính toán. Ví dụ, bằng cách sử dụnglưu trữ kd-cây khi chúng tôi thảo luận trong chương cuối cùng, tại địa phương trọng hồi qui tuyến tính tính toán chi phí là O (m3 + m2 log N) để làm một dự đoán đơn, nơi N là một số điểm dữ liệu trong bộ nhớ và m là một số tính năng được sử dụng. Rõ ràng, với nhiều tính năng, tính toán chi phí cho dự đoán sẽ tăng polynomially; đặc biệt là khi có rất nhiều dự đoán như vậy, tính toán chi phí sẽ tăng vô cùng