Both classiers are context sensiti

Both classiers are context sensitive in the sense that no indep endence 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 avector space . The context sensitivity is in distinction to context - free methods based on explicit independence assumptions such as naive Bayes classiers [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 ers cơ được bối cảnh nhạy cảm trong ý nghĩa rằng không có endence indep 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 không gian avector. 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 cơ ers [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 ers phân loại là bối cảnh nhạy cảm trong cảm giác rằng không có endence indep 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 không gian avector. 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 Bayes phân loại ers [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.