If the target function f is smooth

If the target function f is smooth and its complexity is a priori known, then PR models may be a good choice. In practice, they are usually good for, e.g., quadratic or cubic landscapes, but often are not suitable for more complex multi-modal ones. An important drawback of PR models is that the computational complexity to find exact solution of the least square problems scales with O(n3), where nparam is the number of parameters of the model that scales itself with O(n2) for quadratic PR model. Therefore, the learning of quadratic PR model scales with O(n6 ), limiting the range of application to problems with n . 15 [Kern et al., 2007].

Kết quả (Việt) 1:

Nếu mục tiêu hàm f là mịn và phức tạp của nó là tiên được biết đến, sau đó mô hình PR có một lựa chọn tốt. Trong thực tế, họ thường tốt cho, ví dụ như, bậc hai hay khối phong cảnh về sau, nhưng thường không phù hợp với phương thức phức tạp hơn nhiều người. Một nhược điểm quan trọng của các mô hình PR là độ phức tạp tính toán để tìm ra các giải pháp chính xác của những vấn đề ít nhất là vuông cân với O(n3), nơi nparam là số lượng các tham số của các mô hình quy mô chính nó với O(n2) cho bậc PR mô hình. Vì vậy, việc học của bậc PR mô hình quy mô với O (n6), giới hạn phạm vi của các ứng dụng cho các vấn đề với n. 15 [Kern và ctv., 2007].

Kết quả (Việt) 2:

Nếu hàm mục tiêu f là mịn và phức tạp của nó là một ưu tiên biết đến, sau đó mô hình PR có thể là một lựa chọn tốt. Trong thực tế, họ thường là tốt cho, ví dụ, danh lam thắng cảnh bậc hai hoặc khối, nhưng thường là không thích hợp cho những người đa phương thức phức tạp hơn. Một nhược điểm quan trọng của mô hình PR là các tính toán phức tạp để tìm giải pháp chính xác của vấn đề bình phương tối thiểu quy mô với O (n3), nơi nparam là số các tham số của mô hình mà quy mô với chính nó với O (n2) cho mô hình PR bậc hai. Vì vậy, việc học tập của các mô hình PR bậc thang với O (n6), giới hạn phạm vi của ứng dụng để vấn đề với n. 15 [Kern et al., 2007].