The nearest neighbor (NN) rule [ l]

The nearest neighbor (NN) rule [ l]-[3] assigns an unclassified
sample to the same class as the nearest of the N stored labeled
samples of the training set. The rule is simple, yet powerful, and
with an unlimited number of samples, the risk in making an NN
decision is never worse than twice the Bayes risk [l]. But, as all
the labeled samples of the training set must be searched to
classify a test sample, the NN method imposes large storage and
computational requirements.
The condensed nearest neighbor (CNN) rule [4], [9] retains the
basic approach of the NN rule but uses only a subset of the
training set of samples. This subset, when used as a stored
reference set for the NN decision rule, correctly classifies all the
samples belonging to the original training set. As the CNN
method chooses samples randomly, internal rather than
boundary samples are occasionally retained. Gates [5] has proposed
the reduced NN modification of the CNN algorithm.
Swonger [6] describes an iterative condensation algorithm for selecting a consistent subset of samples for use in a CNN decision rule. Ritter et al. [7] introduce an algorithm for a selective nearest neighbor decision rule. Tomek [8] presents two modifications of CNN by growing the condensed set using only samples close to the decision boundary. Chidananda Gowda and Krishna [ lo]-[ 121 have introduced the concept of mutual nearest neighborhood and a new similarity measure called the mutual neighborhood value (MNV). A two-stage algorithm of a modified
CNN rule, making use of the MNV, will be described in the sequel.

Kết quả (Việt) 1:

Những người hàng xóm gần nhất (NN) cai trị [l]-[3] gán một không phân loạimẫu cho các lớp học tương tự như các gần nhất của N lưu trữ có nhãnmẫu của các thiết lập đào tạo. Các quy tắc là đơn giản, nhưng mạnh mẽ, vàvới một số lượng không giới hạn của mẫu, rủi ro trong việc đưa ra một NNquyết định không bao giờ là tồi tệ hơn so với hai lần [l] Bayes nguy cơ. Tuy nhiên, như tất cảCác mẫu có nhãn của bộ đào tạo phải được tìm kiếm đểphân loại các mẫu thử nghiệm, phương pháp NN áp đặt lưu trữ lớn vàCác yêu cầu tính toán.Sự ngưng tụ vẫn giữ gần nhất quy tắc hàng xóm (CNN) [4], [9] Cáccách tiếp cận cơ bản của NN quy định nhưng sử dụng chỉ là một tập hợp con của cácđào tạo các tập hợp các mẫu. Tập hợp này, khi được sử dụng như là một lưu trữtham chiếu thiết lập quy tắc quyết định NN, đúng phân loại tất cả cácmẫu thuộc bộ đào tạo ban đầu. Như CNNphương pháp chọn mẫu ngẫu nhiên, nội bộ thay vìranh giới mẫu thỉnh thoảng được giữ lại. Gates [5] đã đề xuấtSửa đổi NN giảm của các thuật toán của CNN.Swonger [6] miêu tả một thuật toán lặp đi lặp lại ngưng tụ để chọn một tập hợp con phù hợp của mẫu để sử dụng trong một quy tắc quyết định CNN. Ritter et al. [7] giới thiệu một thuật toán chọn lọc gần nhất hàng xóm quyết định cai trị. Tomek [8] trình bày hai sửa đổi của CNN bằng cách phát triển các thiết lập đặc bằng cách sử dụng chỉ mẫu gần với ranh giới quyết định. Chidananda Gowda và Krishna [lo]-[121 đã giới thiệu khái niệm về lẫn nhau gần nhất khu phố và một biện pháp tương tự mới được gọi là giá trị khu phố lẫn nhau (MNV). Một thuật toán hai giai đoạn của một lầnCNN quy định, việc sử dụng của MNV, sẽ được mô tả trong phần tiếp theo.

Kết quả (Việt) 2:

Người hàng xóm gần nhất (NN) quy tắc [l] - [3] gán một không được phân loại
mẫu để học cùng lớp với gần nhất của nhãn N lưu trữ
mẫu của tập huấn luyện. Các quy tắc rất đơn giản, nhưng mạnh mẽ, và
với một số lượng không giới hạn của mẫu, rủi ro trong việc đưa ra một NN
quyết định là không bao giờ tồi tệ hơn gấp đôi nguy cơ Bayes [l]. Nhưng, như tất cả
các mẫu nhãn của tập huấn luyện phải được tìm kiếm để
phân loại một mẫu thử nghiệm, các phương pháp NN áp đặt lưu trữ lớn và
yêu cầu tính toán.
Các đặc láng giềng gần nhất (CNN) quy tắc [4], [9] giữ lại các
phương pháp tiếp cận cơ bản của các quy tắc NN nhưng chỉ sử dụng một tập hợp con của
tập huấn luyện của mẫu. Tập hợp con này, khi được sử dụng như một lưu trữ
tài liệu tham khảo đặt ra cho các quy tắc quyết định NN, phân loại chính xác tất cả các
mẫu thuộc tập huấn luyện ban đầu. Khi CNN
phương pháp chọn mẫu ngẫu nhiên, nội bộ chứ không phải là
mẫu ranh giới đôi khi giữ lại. Gates [5] đã đề xuất
các sửa đổi giảm NN của thuật toán CNN.
Swonger [6] mô tả một thuật toán ngưng tụ lặp đi lặp lại để chọn một tập hợp con phù hợp của mẫu để sử dụng trong một quy tắc quyết định CNN. Ritter et al. [7] giới thiệu một thuật toán cho một quy tắc quyết định hàng xóm gần nhất chọn lọc. Tomek [8] trình bày hai thay đổi của CNN bằng cách phát triển các thiết lập đặc chỉ sử dụng mẫu gần với ranh giới quyết định. Chidananda Gowda và Krishna [lo] - [121 đã giới thiệu khái niệm chung khu phố gần nhất và một biện pháp tương tự mới được gọi là giá trị khu phố lẫn nhau (MNV). Một thuật toán hai giai đoạn của một sửa đổi
quy tắc CNN, làm cho việc sử dụng của MNV, sẽ được mô tả trong các phần tiếp theo.