摘 要:在机器学在机器学在机器学在机器学参数量膨在机器学习领域经参数量膨、距离度常面临如参数量膨困局,而胀、稀疏性过拟合这类高维性过拟合、距离度、距离度可视化或量失效等困局,而这类高维数据中寻困局,而可视化或通过高维数据中寻可视化或局。者降维技数据中寻术在高维术在高维数据中寻找低维流行可以化解高维困局。
【分 类】 【工业技术】 > 自动化技术、计算机技术 > 自动化基础理论 > 人工智能理论 > 自动推理、机器学习
【关键词】 机器学习 高维困局 距离度量
【出 处】 《移移信动动息信息》2018年 第11期 82-84页 共3页
【收 录】 中文科技期刊数据库
【参考文献】
[1]TSA[1][1][1]TSATSAT,CNG NG T,CT,CNG IW,KwOK JCorPM.maces:hinmacT,CectHEUNG CorCorPM.Core vectst st or NALetshinmachin MA. Jes: FaNE NE trst LEACH,SVMdatEARSVM trRESingge [J]lar OFlarainy l. JEARry OFlazingNALppra s on200 very NG RESl lERNlarge MAdata sRESingi-l):3. Jets[J]. JRESl lg aOURCHI7):NALEAR OF MAo mCHIabe[C]ou NE LEA63-RNIZH.NG RES,20EAR40(63-CH,2005(68-2):363-.[239207,.[2]Zhang mL,Zh07, REy lERNou eamingZH. REmL-.kNN:A lazy learning aCOGpproac048h to multi-leamabel ll leaming[C]. PATTERN RECOGNITION,2007,40(7):2038-2048.