We present a novel algorithm for co

We present a novel algorithm for computing a
training set consistent subset for the nearest
neighbor decision rule. The algorithm, called FCNN rule, has some desirable properties.Indeed, it is order independent and has subquadratic worst case time complexity, while it requires few iterations to converge, and it is likely to select points very close to the decision boundary. We compare the FCNN rule with state of the art competence preservation algorithms on large multidimensional training sets, showing that it outperforms existing methods in terms of learning speed and learning scaling behavior, and in terms of size ofthe model, while it guarantees a comparable prediction accuracy

Kết quả (Việt) 1:

Chúng tôi trình bày một thuật toán mới lạ để tính toán mộtđào tạo thiết lập các tập con phù hợp cho gần nhấthàng xóm quyết định cai trị. Thuật toán, gọi là quy tắc FCNN, có một số đặc tính mong muốn. Thật vậy, nó là thứ tự độc lập và có subquadratic tồi tệ nhất trường hợp thời gian phức tạp, trong khi nó đòi hỏi lặp đi lặp lại vài hội tụ, và nó có khả năng để chọn điểm này rất gần với ranh giới quyết định. Chúng tôi so sánh quy tắc FCNN với các thuật toán bảo tồn năng lực hiện đại trên bộ lớn đào tạo đa chiều, Đang hiển thị rằng nó nhanh hơn so với phương pháp hiện có về tốc độ học tập và học rộng hành vi, và trong điều khoản của các kích thước của các mô hình, trong khi nó đảm bảo độ chính xác tương đương với dự đoán

Kết quả (Việt) 2:

Chúng tôi trình bày một thuật toán mới để tính toán một
tập huấn luyện tập con phù hợp cho các khu vực gần
quyết định cuối xóm. Các thuật toán, được gọi là FCNN quy tắc, có một số properties.Indeed mong muốn, nó là thứ độc lập và có subquadratic tồi tệ nhất phức tạp trường hợp thời gian, trong khi nó đòi hỏi vài lần lặp để hội tụ, và nó có khả năng chọn điểm rất gần với ranh giới quyết định. Chúng tôi so sánh các quy tắc với nhà nước của các thuật toán bảo thẩm mỹ thuật trên bộ đào tạo đa chiều lớn FCNN, cho thấy rằng nó nhanh hơn so với phương pháp hiện có về tốc độ học tập và học tập nhân rộng hành vi, và cả về quy mô ofthe mô hình, trong khi nó đảm bảo độ chính xác dự báo so sánh