We may derive some variants from th

We may derive some variants from the proposed KNN version. We may assign different weights to selected neighbors instead of identical ones: the highest weights to the first nearest neighbor and the lowest weight to the last one. Instead of a fixed number of nearest neighbors, we select any number of training examples within a hyper-sphere whose center is the given novice example as neighbors. The categorical scores are computed proportionally to similarities with training examples, instead of selecting nearest neighbors. We may also consider the variants where more than two variants are combined with each other.

결과 (한국어) 1:

우리는 제안 된 KNN 버전에서 일부 변종 파생 수 있습니다. 우리가 동일한 것 들 대신 선택 된 이웃에 게 서로 다른 가중치를 할당할 수 있습니다: 이웃에 가장 가까운 첫 번째 및 마지막에 낮은 무게에 높은 무게. 가까운 이웃의 고정된 수, 대신 우리는 하이퍼 구체 그의 센터는 주어진된 초보자 예 이웃에서 훈련 예 어떤 수를 선택 합니다. 여 지 없이 점수 이웃 가장 가까운 선택 하는 대신 교육 예제와 유사성을 비례적으로 계산 됩니다. 우리 또한 두 개 이상의 변종이 서로 결합 되어 이체를 고려할 수 있습니다.

결과 (한국어) 2:

우리는 제안 된 KNN 버전에서 약간의 변형을 유도 할 수있다. 먼저 가장 가까운 이웃과 마지막에 가장 낮은 무게에 가장 높은 가중치 : 우리는 대신에 동일한 사람의 선택 이웃에 다른 가중치를 할당 할 수 있습니다. 대신 가장 가까운 이웃의 고정 된 수의, 우리는 그 중심 이웃으로 주어진 초보자 예입니다 하이퍼 영역 내에서 교육 사례의 수를 선택합니다. 범주 점수 대신 가까운 이웃을 선택하는, 훈련 예와 유사성에 비례하여 계산된다. 우리는 또한 두 개 이상의 변형은 서로 결합되어 변형을 고려할 수있다.

결과 (한국어) 3:

우리는 아마 은 최근 몇 가지 버전 제시했다.우리는 지정한 다른 가중치 아니라 같은 선택한 이웃 최고 가중치: 첫 이웃, 최저 무거운 마지막.대신 고정 이웃을 몇 선택, 우리 안에 어떤 훈련 예를 완전 볼 핵심으로 새 들면, 이웃 거야.계산 절대 점수 비슷한 예를 따라 훈련 안 선택 이웃.우리는 생각할 수도 있습니다. 어디 그 두 개 이상의 몸 서로 결합하다.