図1. 2次元の場合
この問題を解決する方法の1つは、最小二乗平均誤差アルゴリズム（NSCFアルゴリズム）です。
このアルゴリズムは、必要なLRFを構築するのに役立つという点だけでなく、クラスが線形に分離できない状況が発生したときに、誤った分類エラーが最小になる傾向があるLRFを構築できるという点で興味深いです。
図2.線形に分離できないクラス
次に、ソースデータをリストします。
-クラス指定（i-クラス番号）
-トレーニングサンプル
-ラベル（画像が属するクラス番号 
）
-学習速度（任意の値）
この情報は、LRFを構築するのに十分以上です。
アルゴリズム自体に直接進みます。
アルゴリズム
1ステップ
a）翻訳する
システムに 
どこで 
等しい 
画像クラスは最後に割り当てられます
例：
画像を与えてみましょう
。
それから
もし 
クラス1から
もし クラス2から
b）マトリックスを構築する
ベクトルで構成される次元Nx3 
c）私たちは構築しています
d）考慮します
どこで 
任意のベクトル（デフォルトの単位）
e）
（反復番号）
2段階
ブレーク条件を確認します。
もし
その後、停止
それ以外の場合は、手順3に進みます
3ステップ
a）
（+はヘビサイド関数です）
例（Heaviside関数）：
（もし 
）
（もし 
または 
）
計算後、反復回数を変更します。
b）ステップ2に進む
NCOAアルゴリズムの例
クラス1に属する 
クラス2に属する 
a）
b）
c）
d）
e）
なぜなら すべての要素 
止まる
アルゴリズムが完成し、LRFを計算できるようになりました。
オンラインエディターのparpalakに感謝します。
ご清聴ありがとうございました。