.png){kind=icon}
返回
Instance selection of linear complexity for big data
.png){kind=icon}
OA
AI
DOI：10.1016/j.knosys.2016.05.056.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近几十年来，数据库规模大幅增长。更大的尺寸带来了新的挑战，因为机器学习算法不准备处理如此大量的信息。当数据集的大小为中等到较大时，实例选择方法可以缓解此问题。然而，即使这些方法在非常大到海量的数据集上也面临类似的问题。本文提出了两种用于实例选择的具有线性复杂度的新算法。这两种算法都使用对位置敏感的哈希来查找实例之间的相似性。虽然传统方法的复杂性 (通常是二次方法，O(n(2)) 或对数线性方法，O(n log n)) 意味着它们无法处理大型数据集，但新提案在准确性方面显示出有竞争力的结果。更显著的是，它缩短了执行时间，因为该提案设法降低了复杂性，并使其相对于数据集大小呈线性。新提案已与一些最著名的测试实例选择方法进行了比较，并且还在大型数据集 (多达一百万个实例) 上进行了评估。（C）2016年作者。由Elsevier b.V.发布。这是CC by许可证下的开放获取文章。
Keyword:
Nearest neighbor
Data reduction
Instance selection
Hashing
Big data
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Systematic optimization of the analysis of wine bouquet components by solid‐phase microextraction
PREAI
分享收藏Democratic instance selection: A linear complexity instance selection algorithm based on classifier ensemble concepts民主实例选择: 基于分类器集成概念的线性复杂度实例选择算法OAAI
OAAI分享收藏A sharper Bonferroni procedure for multiple tests of significance用于多次显著性检验的更清晰的Bonferroni程序.png)
Biometrika
BiometrikaIF0
PREAI
分享收藏
Long-term superior cervical sympathectomy induces mast cell hyperplasia and increases histamine and serotonin content in the rat dura materNeuroscience
NeuroscienceIF0
PREAI
分享收藏
查看更多内容