C. Analysis of Training TimeRandom

C. Analysis of Training Time
Random Forests series (RF, Under-RF, Over-RF, and BRF) use random decision trees, which train much faster than CART. Moreover, they are implemented in Java code, while the other methods are in Matlab code. Therefore, it is not fair to compare the running time of them directly. Here, we only analyze the training time of CART-based methods.
Since all methods use the same weak learner and have the same amount of weak classifiers, the training time of these methods mainly depends on the number of training examples.
From the descriptions in Section IV-B, Under uses the smallest number (2|P |) of examples and is the fastest among
all methods. The proposed methods (Cascade and Easy) and
Chan use the same number of weak classifiers as Under and use the same number of examples as Under to train every weak

Kết quả (Việt) 1:

C. phân tích thời gian đào tạoNgẫu nhiên rừng series (RF, dưới RF, Over-RF và BRF) sử dụng cây quyết định ngẫu nhiên, mà đào tạo nhanh hơn nhiều so với giỏ hàng. Hơn nữa, họ được thực hiện trong Java mã, trong khi các phương pháp khác là trong Matlab mã. Do đó, nó không phải là công bằng để so sánh thời gian chạy của họ trực tiếp. Ở đây, chúng tôi chỉ phân tích thời gian đào tạo của phương pháp này dựa trên giỏ hàng.Kể từ khi tất cả các phương pháp sử dụng cùng một người học yếu và có cùng một lượng máy phân loại yếu, thời gian đào tạo các phương pháp này chủ yếu phụ thuộc vào số lượng các ví dụ huấn luyện.Từ những mô tả trong phần IV-B, nhỏ hơn sử dụng số nhỏ nhất (2 | P |) Các ví dụ và là nhanh nhất trong sốTất cả các phương pháp. Các phương pháp được đề xuất (Cascade và dễ dàng) vàChan sử dụng cùng một số yếu máy phân loại như là nhỏ hơn và sử dụng cùng một số ví dụ như dưới để đào tạo mỗi yếu

Kết quả (Việt) 2:

C. Phân tích Đào tạo Thời gian
Rừng Random series (RF, U-RF, Over-RF, và BRF) sử dụng cây quyết định ngẫu nhiên, mà đào tạo nhanh hơn nhiều so với Toán. Hơn nữa, chúng được thực hiện trong mã Java, trong khi các phương pháp khác trong Matlab mã. Do đó, nó không phải là công bằng để so sánh thời gian chạy của chúng trực tiếp. Ở đây, chúng tôi chỉ phân tích thời gian đào tạo các phương pháp Toán-based.
Vì tất cả các phương pháp sử dụng người học yếu giống nhau và có cùng một lượng phân loại yếu, thời gian đào tạo của các phương pháp này chủ yếu phụ thuộc vào số lượng các ví dụ huấn luyện.
Từ các mô tả trong phần IV-B, Dưới sử dụng số lượng nhỏ nhất (2 | P |) ví dụ và là nhanh nhất trong số
tất cả các phương pháp. Các phương pháp đề xuất (Cascade và dễ dàng) và
Chan sử dụng cùng một số phân loại yếu như dưới và sử dụng cùng một số ví dụ như dưới để đào tạo mỗi yếu