.png){kind=icon}
返回
Reduction techniques for instance-based learning algorithms
.png){kind=icon}
OA
AI
DOI：10.1023/A:1007626913721.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于实例的学习算法经常面临决定在泛化期间存储哪些实例以供使用的问题。存储过多的实例可能导致较大的内存需求和较慢的执行速度，并且可能导致对噪声的过度敏感。本文有两个主要目的。首先，它提供了对现有算法的调查，这些算法用于减少基于实例的学习算法和其他基于样本的算法中的存储需求。其次，它提出了六个额外的约简算法，称为DROP1-DROP5和DEL (其中三个首先在Wilson & Martinez，1997c中被描述为RT1-RT3)，可用于从概念描述中删除实例。在31个分类任务中比较了这些算法和调查中的10种算法。在提供大量存储减少的那些算法中，DROP算法在这些实验中具有最高的平均泛化精度，尤其是在存在均匀类噪声的情况下。
Keyword:
instance-based learning
nearest neighbor
instance reduction
pruning
classification
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。
