Large Margin Nearest Neighbor Class

Large Margin Nearest Neighbor Classifiction is a NIPS05 paper in which we show how to learn a Mahanalobis distance metric for k-nearest neighbor (kNN) classification by semidefinite programming. The metric is trained with the goal that the k-nearest neighbors always belong to the same class while examples from different classes are separated by a large margin. On seven data sets of varying size and difficulty, we find that metrics trained in this way lead to significant improvements in kNN classification---for example, achieving a test error rate of 1.3% on the MNIST handwritten digits. Our approach has many parallels to support vector machines, including a convex objective function based on the hinge loss, but does not require modifications for problems with large numbers of classes

결과 (한국어) 1:

큰 여백 가까운 이웃 Classifiction NIPS05 종이는 우리 semidefinite 프로그래밍 하 여 k-인접 이웃 (kNN) 분류를 위한 Mahanalobis 거리 통계를 학습 하는 방법을 보여 이다. 통계 k-인접 이웃 같은 클래스에 다른 클래스에서 예제 큰 차이로 분리 하는 동안 항상 속하는 목표와 훈련 이다. 다양 한 크기 및 어려움의 7 데이터 세트, 우리는 통계가 방법이으로 훈련 이어질 kNN 분류---크게 향상 예를 들어 MNIST 손으로 자리에 1.3%의 테스트 오류 비율을 달성 찾을. 우리의 접근 지원 벡터 기계, 경첩 손실에 따라 볼록 목적 함수를 포함 하 여 많은 유사점을가지고 있지만 클래스 수가 많은 문제에 대 한 수정 필요 하지 않습니다.

결과 (한국어) 2:

큰 여백 가장 가까운 이웃 Classifiction 우리가 semidefinite 프로그램에 의해 K-가까운 이웃 (KNN) 분류 Mahanalobis 거리 메트릭을 배울하는 방법을 보여줍니다있는 NIPS05 종이입니다. 메트릭은 다른 클래스의 예는 큰 차이로 분리하는 동안 K-가장 가까운 이웃은 항상 같은 클래스에 속하는 목표로 훈련된다. 다양한 크기와 난이도 일곱 데이터 세트들을 찾아 그 예 KNN 분류의 상당한 개선이 방법 --- 리드 훈련 메트릭 MNIST 필기 숫자에 1.3 %의 테스트 에러율을 달성. 우리의 접근은 힌지 손실에 기초하여 목적 함수를 포함 볼록 벡터 머신을 지원하기 위해 많은 유사점을 가지고 있지만, 많은 종류의 문제에 대한 수정을 요구하지 않는다

결과 (한국어) 3:

대폭 최근 이웃 분류 것은 nips05 파일에 우리 전시 어떻게 공부를 한 k- 이웃 (KNN) mahanalobis 거리 도량이 반 정한 계획 분류.도량이 및 k- 요즘 이웃은 늘 것 같은 분류 아니라 다른 분류 예는 헤어진 폭이 비교적 큰 목표 훈련.다른 크기와 난이도가 일곱 데이터 집합 것을 대해 우리는 이런 지표 훈련 따른 분류 그래. 예를 들어 KNN 현저히 개선, 실현 대한 MNIST 필기체 디지털 1.3% 테스트 오류 비율.우리는 방법을 많은 비슷한 점이 지원 벡터 기계 한 볼록 포함 기초 위에 힌지 손실을 함수,하지만 많은 종류의 쓸 필요 문제 수정