Zhang et. al. [69] present a Random

Zhang et. al. [69] present a Random Decision Tree (RDT) based ensemble and demonstrate that
the training complexity is independent from the number of class labels.
RDT constructs several decision tree randomly (i.e. picks a remaining feature randomly at each node) and stops growing once it crosses some predefined threshold. Theoretical risk analysis of RDT shows that the upper bound of the risk is stable and lower bound decreases with the increase of number of trees [69].
Importantly, increased number of trees in RDT guarantees improved performance with slightly
increased complexity, though such increased complexity is better than most other methods. This
idea of RDT can be used with both LP and BR and in both cases the computational complexity is free of number of labels. This property makes it better than the hierarchical model based algorithm
HOMER [53] (see section 4), in terms of both performance and complexity.

Kết quả (Việt) 1:

Trương et. Al. [69] hiện nay một ngẫu nhiên quyết định cây (RDT) dựa trên toàn bộ và chứng minh rằngsự phức tạp đào tạo là độc lập với số lượng lớp nhãn. RDT xây dựng cây quyết định một số ngẫu nhiên (tức là chọn một tính năng còn lại ngẫu nhiên tại mỗi nút) và ngừng phát triển một khi nó đi qua một số ngưỡng được xác định trước. Phân tích lý thuyết rủi ro của RDT cho thấy rằng ràng buộc của rủi ro là ổn định và ràng buộc hạ giảm với sự gia tăng của số cây [69].Quan trọng, tăng số lượng cây ở RDT đảm bảo hiệu suất tăng lên với hơităng phức tạp, mặc dù tăng phức tạp như vậy là tốt hơn so với hầu hết các phương pháp khác. Điều nàyý tưởng của RDT có thể được sử dụng với cả LP và BR và trong cả hai trường hợp phức tạp tính toán là miễn phí của số lượng các nhãn. Tài sản này làm cho nó tốt hơn so với các thuật toán phân cấp mô hình dựaHOMER [53] (xem phần 4), về hiệu suất và phức tạp.

Kết quả (Việt) 2:

Zhang et. al. [69] trình bày một quyết định ngẫu nhiên Tree (RDT) dựa trên bộ quần áo đồng và chứng minh rằng
sự phức tạp đào tạo độc lập với số lượng nhãn lớp.
RDT xây dựng một số cây quyết định ngẫu nhiên (tức là chọn một tính năng còn lại ngẫu nhiên tại mỗi node) và ngừng phát triển khi nó đi qua một số ngưỡng xác định trước. Phân tích nguy cơ lý thuyết của RDT cho thấy các giới hạn trên của rủi ro là ổn định và giảm giảm ràng buộc với sự gia tăng của số cây [69].
Quan trọng hơn, tăng số lượng cây trong RDT đảm bảo cải thiện hiệu suất với một chút
phức tạp tăng lên, mặc dù phức tạp tăng lên như vậy là tốt hơn so với hầu hết các phương pháp khác. Điều này
ý tưởng của RDT có thể được sử dụng với cả LP và BR và trong cả hai trường hợp phức tạp tính toán là miễn phí của nhiều nhãn. Tài sản này làm cho nó tốt hơn so với các mô hình phân cấp dựa trên thuật toán
HOMER [53] (xem phần 4), cả về hiệu suất và độ phức tạp.