Let us compare the both KNN version

Let us compare the both KNN versions with each other. In computing the similarity between two numerical vectors, the traditional version uses the Euclidean distance or cosine similarity mainly, whereas the proposed one uses the equation (3). Both versions are common in selecting k nearest neighbors and classifying a novice item by voting the labels of them. However, the proposed version is more tolerant to sparse numerical vectors in computing the similarities among them than the traditional version.

결과 (한국어) 1:

우리 서로 함께 모두 KNN 버전 비교 합니다. 두 개의 숫자 벡터 사이의 유사성을 계산, 전통적인 버전 사용 하 여 유클리드 거리 또는 코사인 유사도 주로, 반면 제안된 하나를 사용 하 여 식 (3). 두 버전은 이웃 가장 가까운 k를 선택 하 고 투표 하는 그들의 레이블에 의해 초보자 항목 분류에서 일반적 이다. 그러나, 제안 된 버전은 전통적인 버전 보다 그들의 사이에서 유사성을 컴퓨팅에 스파스 수치 벡터를 더 많은 관용.

결과 (한국어) 2:

우리는 서로 모두 KNN 버전과 비교 해보자. 수치 두 벡터 사이의 유사도를 계산하는데, 기존의 제안 된 버전은 하나의 방정식을 사용하는 반면, 주로 유클리드 거리 또는 코사인 유사성을 사용하여 (3). 두 버전 모두 K 가까운 이웃을 선택하고 그 레이블을 투표하여 초보자 항목을 분류에서 일반적이다. 그러나, 제안 된 버전은 기존 버전보다 그들 사이의 유사성을 계산 스파 스 수치 벡터에 더 관대하다.

결과 (한국어) 3:

우리 비교적 최근 서로 다른 두 가지.계산 두 수치 벡터 같, 전통 버전 사용 또는 코사인 비슷한 주요 거리, 안 한 사용 방정식; (3).이 두 판본은 모두 이웃 분류 선택 (k), 한 명 탭 목덜미를 투표.하지만안 버전 더 강한 수치 벡터 성긴 계산 중 버전 비슷한 점이 있다.