Both classifiers are context sensit

Both classifiers are context sensitive in the sense that no independence is assumed between either input variables (terms) or output variables ( categories ) . LLSF, for example , optimizes the mapping from a document to categories , and hence does not treat words separately . Similarly , kNN treats a document as an single point in a vector space . The context sensitivity is in distinction to context - free methods based on explicit independence assumptions such as naive Bayes classifiers [13] and some other regression methods [8 ]). A context - sensitive classier makes better use of the information provided by features than a context - free classier do , thus enabling a better observation on feature selection .

Kết quả (Việt) 1:

Cả hai máy phân loại được bối cảnh nhạy cảm trong ý nghĩa rằng không có độc lập giả định giữa đầu vào biến (điều khoản) hoặc biến đầu ra (thể loại). LLSF, ví dụ, tối ưu hóa ánh xạ từ một tài liệu để thể loại, và do đó không xử lý từ một cách riêng biệt. Tương tự, kNN xử lý một tài liệu như là một điểm duy nhất trong một không gian vector. Cảm ứng với bối cảnh là ở sự phân biệt với bối cảnh - phương pháp miễn phí dựa trên giả định rõ ràng độc lập như ngây thơ Bayes máy phân loại [13] và một số các hồi quy phương pháp [8]). Một bối cảnh - nhạy cảm cơ er làm cho tốt hơn sử dụng các thông tin cung cấp bởi các tính năng so với một bối cảnh - miễn phí cơ er làm, do đó cho phép một sự quan sát tốt hơn trên lựa chọn tính năng.

Kết quả (Việt) 2:

Cả hai phân loại là bối cảnh nhạy cảm trong cảm giác rằng không có sự độc lập được giả định giữa hai biến đầu vào (điều kiện) hoặc các biến đầu ra (loại). LLSF, ví dụ, tối ưu hóa các bản đồ từ một tài liệu cho các loại, và do đó không điều trị từ riêng biệt. Tương tự như vậy, kNN xử lý một tài liệu như là một điểm duy nhất trong một không gian vector. Độ nhạy bối cảnh là trong bối cảnh phân biệt - phương pháp miễn phí dựa trên giả định độc lập rõ ràng như ngây thơ phân loại Bayes [13] và một số phương pháp hồi quy khác [8]). Một bối cảnh - phân loại nhạy cảm er sử dụng tốt hơn các thông tin được cung cấp bởi tính năng hơn so với một bối cảnh - miễn phí phân loại er làm, do đó cho phép một quan sát tốt hơn trong việc lựa chọn tính năng.