where x i is the mth feature in sub

where x i is the mth feature in subset S and the set S mÀ1 is the so far selected subset with m À 1 features. Instead of a greedy algorithm a two stage approach is implemented. First the criterion (8) is used to select a number k which is the optimal number of features which gives the lowest cross-validation classification error. In the second stage, wrapper methods are used to evaluate different subsets of size k or direct evaluations are done on different subsets to find the subset which consistently yields the smallest classification error. The application of mRMR can be found in [50,3] wherein the simplest incremental search method is used with four different classifiers for gene classification.

Kết quả (Việt) 1:

đâu x tôi là tính năng mth trong tập con S và mÀ1 tập S là tập con cho đến nay đã chọn với m À 1 tính năng. Thay vì một giải thuật tham lam một cách tiếp cận hai giai đoạn được thực hiện. Lần đầu tiên các tiêu chí (8) được sử dụng để chọn một số k là một số tối ưu của tính năng mà mang lại cho lỗi xác nhận chữ thập phân loại thấp nhất. Trong giai đoạn thứ hai, bao bọc phương pháp được sử dụng để đánh giá các tập con khác nhau của kích thước k hoặc trực tiếp đánh giá được thực hiện trên các tập con khác nhau để tìm tập hợp con đó một cách nhất quán sản lượng nhỏ nhất phân loại lỗi. Việc áp dụng các mRMR có thể được tìm thấy trong [50,3] trong đó phương pháp tìm kiếm gia tăng đơn giản nhất được sử dụng với bốn máy phân loại khác nhau để phân loại gen.

Kết quả (Việt) 2:

nơi xi là tính năng mth trong tập con S và tập S MA1 là tập con nên chọn xa với m À 1 tính năng. Thay vì một thuật toán tham lam một cách tiếp cận hai giai đoạn được thực hiện. Đầu tiên các tiêu chí (8) được sử dụng để chọn một số k là số lượng tối ưu các tính năng mang đến cho các lỗi phân loại thấp nhất qua xác nhận. Trong giai đoạn thứ hai, phương pháp wrapper được sử dụng để đánh giá các tập con khác nhau về kích thước k hay đánh giá trực tiếp được thực hiện trên các tập con khác nhau để tìm các tập con mà luôn mang lại các lỗi phân loại nhỏ nhất. Các ứng dụng của mRMR có thể được tìm thấy trong [50,3] trong đó các phương pháp tìm kiếm gia tăng đơn giản được sử dụng với bốn phân loại khác nhau để phân loại gen.