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(m 3 + m 2 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 của tính toán chi phí là O (m 3 + m 2 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.

Kết quả (Việt) 2:

1. Các tính năng đầu vào không thích hợp sẽ khiến chi phí tính toán lớn. Ví dụ, bằng cách sử dụng
bộ nhớ đệm kd-cây như chúng ta đã thảo luận trong chương cuối cùng, chi phí tính toán tuyến tính hồi quy của trọng tại địa phương là O (m 3 + m 2 log N) để làm một dự đoán duy nhất, trong đó N là số điểm dữ liệu trong bộ nhớ và m là số các tính năng sử dụng. Rõ ràng, với nhiều tính năng hơn, các chi phí tính toán cho dự đoán sẽ tăng đa thức; đặc biệt là khi có một số lượng lớn các dự đoán như vậy, các chi phí tính toán sẽ tăng lên vô cùng.