Lazy Learning 2 There are several l

Lazy Learning 2 There are several lazy learning (i.e. k Nearest Neighborhood (kNN)) based approaches proposed that uses either problem transformation or algorithm adaptation . All these algorithms are very similar in the sense that they all uses kNN as a lazy learning approach,
but what differentiates them is the aggregation of the label sets of the given instances.
Spyromitros et. al. in [47] implements a simple method called BRkNN, that is conceptually equivalent to using Binary Relevance (BR) followed by kNN. However, the problem with this approach is that computational complexity becomes |L| times the computations cost of computing k nearest neighbors. This can easily be resolved by using single search for k nearest neighbors but at the same time making independent predictions for each label.
Another important problem with BRkNN is that, if none of the labels is included in at least half of the k nearest neighbors.

Kết quả (Việt) 1:

Lười biếng học 2 có một số phương pháp học tập (tức là k hàng xóm gần nhất (kNN)) dựa lười biếng đề xuất mà sử dụng một trong hai vấn đề chuyển đổi hoặc thuật toán thích ứng. Tất cả các thuật toán này là rất tương tự như trong ý nghĩa rằng tất cả chúng đều sử dụng kNN như một cách tiếp cận học tập lười biếng, nhưng những gì phân biệt chúng là tập hợp của bộ nhãn các trường hợp nhất định.Spyromitros et. và những người khác trong [47] thực hiện một phương pháp đơn giản được gọi là BRkNN, đó là khái niệm tương đương với bằng cách sử dụng nhị phân mức độ liên quan (BR) theo sau kNN. Tuy nhiên, vấn đề với cách tiếp cận này là tính toán phức tạp trở thành | L| thời gian tính toán chi phí của máy tính k gần nhất hàng xóm. Điều này có thể dễ dàng được giải quyết bằng cách sử dụng duy nhất tìm kiếm k gần nhất hàng xóm, nhưng cùng một lúc làm cho các dự báo độc lập cho mỗi nhãn hiệu. Một vấn đề quan trọng khác với BRkNN là, nếu không có các nhãn được bao gồm trong ít nhất một nửa của k gần nhất hàng xóm.

Kết quả (Việt) 2:

Lazy Learning 2 Có một số học lười (tức là k Vùng lân cận gần nhất (KNN)) phương pháp tiếp cận dựa trên đề xuất sử dụng hoặc chuyển đổi vấn đề hoặc thích ứng thuật toán. Tất cả các thuật toán này là rất tương tự như trong ý nghĩa rằng tất cả họ đều sử dụng KNN như một phương pháp học tập lười biếng,
nhưng những gì phân biệt chúng là tập hợp của các bộ nhãn trong những trường hợp nhất định là.
Spyromitros et. al. trong [47] thực hiện một phương pháp đơn giản gọi là BRkNN, đó là khái niệm tương đương với sử dụng Binary Relevance (BR) tiếp theo KNN. Tuy nhiên, vấn đề với phương pháp này là phức tạp tính toán trở | L | lần chi phí tính toán của máy tính k láng giềng gần nhất. Điều này có thể dễ dàng được giải quyết bằng cách sử dụng tìm kiếm duy nhất cho k láng giềng gần nhất nhưng đồng thời cũng đưa ra dự đoán độc lập cho mỗi nhãn.
Một vấn đề quan trọng với BRkNN là, nếu không có các nhãn được bao gồm trong ít nhất một nửa số k láng giềng gần nhất.