The k-NN algorithm generally achiev

The k-NN algorithm generally achieves good performance for different data sets. Hydrology researchers have successfully applied the k-NN method in hydrological field problems [Baoli et al., 2003]. The advantage of k-NN is that the technique does not require the selection of a class of models and the estimation of the models parameters, so that the identification of a specific form of the input-output relationship is not needed [Toth et al., 2000]. Hence this method does not attempt to identify an input/output mapping function and thus is not capable of extrapolating an unfamiliar input vector into the future. In contrast, other non-linear models such as ANNs, attempt to identify a mapping function from input to output and have extrapolation ability.

Kết quả (Việt) 1:

Thuật toán k-NN thường đạt được hiệu suất tốt nhất bộ dữ liệu khác nhau. Các nhà nghiên cứu thủy văn đã áp dụng thành công phương pháp k NN ở vấn đề thuỷ văn trường [Baoli et al., 2003]. Lợi thế của k-NN là kỹ thuật không có yêu cầu việc lựa chọn một lớp học của các mô hình và ước lượng các tham số mô hình, để xác định một hình thức cụ thể của mối quan hệ đầu vào-đầu ra là không cần thiết [Toth et al., 2000]. Do đó phương pháp này không cố gắng để xác định một chức năng lập bản đồ đầu vào/đầu ra và do đó không có khả năng extrapolating một vector đầu vào không quen thuộc trong tương lai. Ngược lại, các mô hình phi tuyến khác như ANNs, cố gắng để xác định một chức năng lập bản đồ từ đầu vào đến đầu ra và có khả năng extrapolation.

Kết quả (Việt) 2:

Các thuật toán k-NN thường đạt được hiệu suất tốt cho các bộ dữ liệu khác nhau. các nhà nghiên cứu thủy văn đã áp dụng thành công phương pháp k-NN trong vấn đề lĩnh vực thủy văn [Baoli et al., 2003]. Ưu điểm của k-NN là kỹ thuật này không đòi hỏi việc lựa chọn một lớp học của các mô hình và tính toán các thông số mô hình, do đó việc xác định một hình thức cụ thể của mối quan hệ đầu vào-đầu ra là không cần thiết [Toth et al. , 2000]. Do đó phương pháp này không cố gắng xác định một chức năng lập bản đồ đầu vào / đầu ra và do đó không có khả năng ngoại suy một vector đầu vào không quen thuộc trong tương lai. Ngược lại, các mô hình phi tuyến tính khác như ANNs, cố gắng xác định một chức năng lập bản đồ từ đầu vào đến đầu ra và có khả năng ngoại suy.