In summary, in theory the greedines

In summary, in theory the greediness of feature selection algorithms may lead to great reduction in the accuracy of function approximating, but in practice it does not happen quite often.
The three greedier algorithms we propose in this paper improve the efficiency of the forward selection algorithm, especially for larger datasets with high input dimensionalities, without significant loss in accuracy. Even in the case the accuracy is more crucial than the efficiency, restricted forward selection is more competitive than the conventional forward selection.

Kết quả (Việt) 1:

Tóm lại, trong lý thuyết tham tính năng lựa chọn thuật toán có thể dẫn đến giảm lớn trong sự chính xác của hàm số, nhưng trong thực tế nó không xảy ra khá thường xuyên.Thuật toán greedier ba, chúng tôi đề xuất trong bài báo này cải thiện hiệu quả của các thuật toán chuyển tiếp lựa chọn, đặc biệt là cho datasets lớn hơn với cao dimensionalities đầu vào, mà không có thiệt hại đáng kể ở độ chính xác. Ngay cả trong trường hợp tính chính xác là rất quan trọng hơn hiệu quả, bị hạn chế lựa chọn chuyển tiếp là cạnh tranh hơn so với việc lựa chọn chuyển tiếp thông thường.

Kết quả (Việt) 2:

Tóm lại, trong lý thuyết sự tham lam của các thuật toán lựa chọn tính năng có thể dẫn đến giảm lớn trong tính chính xác của chức năng Tạo xấp xỉ, nhưng trong thực tế nó không xảy ra khá thường xuyên.
Ba thuật toán tham lam hơn, chúng tôi đề xuất trong bài báo này nâng cao hiệu quả của các thuật toán lựa chọn về phía trước , đặc biệt là đối với các tập dữ liệu lớn hơn với kích thước khu đầu vào cao, không có thiệt hại đáng kể về độ chính xác. Ngay cả trong trường hợp độ chính xác là quan trọng hơn hiệu quả, hạn chế về phía trước lựa chọn là cạnh tranh hơn so với các lựa chọn chuyển tiếp thông thường.