Do all the 1-attribute LOOCVs and s

Do all the 1-attribute LOOCVs and sort them, take the best two individual features and evaluate their LOOCV error, then take the best three individual features, and so on, until m features have been evaluated. Compared with the super greedy algorithm, this algorithm may conclude at a subset whose size is smaller than m but whose inner testset error is smaller than that of the m component feature set. Hence, the greedy algorithm may end up with a better feature set than the super-greedy one does. The cost of the greedy algorithm for nearest neighbor is O((M + m2) N log N)

Kết quả (Việt) 1:

Làm tất cả các LOOCVs 1-thuộc tính và sắp xếp chúng, có hai tính năng cá nhân tốt nhất và đánh giá các lỗi LOOCV của họ, sau đó có các tính năng tốt nhất ba cá nhân, và như vậy, cho đến khi tính năng m đã được đánh giá. So với các thuật toán siêu tham lam, thuật toán này có thể kết thúc tại một tập hợp con có kích thước nhỏ hơn m nhưng có lỗi bên trong testset nhỏ hơn rằng tính năng thành phần m thiết lập. Do đó, giải thuật tham lam có thể kết thúc với một tính năng tốt hơn thiết lập hơn một siêu tham lam. Chi phí của giải thuật tham lam cho hàng xóm gần nhất là O ((M + m2) N log N)

Kết quả (Việt) 2:

Do tất cả các LOOCVs 1 thuộc tính và sắp xếp chúng, lấy hai tính năng cá nhân tốt nhất và đánh giá lỗi LOOCV của họ, sau đó có ba tính năng cá nhân tốt nhất, và như vậy, cho đến các tính năng m đã được đánh giá. So với các thuật toán siêu tham lam, thuật toán này có thể kết luận tại một tập con có kích cỡ nhỏ hơn m nhưng mà bên trong testset lỗi là nhỏ hơn so với các thiết lập tính năng m thành phần. Do đó, các thuật toán tham lam có thể kết thúc với một tính năng tốt hơn so với các thiết lập một siêu tham lam không. Các chi phí của thuật toán tham lam cho hàng xóm gần nhất là O ((M + m2) N log N)