GAME:

1. Il numero $j$ delle basis functions è pari al numero $j$ degli input, dove $j$ è il numero di features selezionate per una certa classe

2. Ogni input va in ingresso a una sola RBF, in particolare l' input $j'$ va in ingresso alla $j'$ RBF, pertanto lo spazio è a due dimensioni

3. Un singolo passo è necessario per addestrare l' RBF. Durante questa fase il set di input è utilizzato per determinare i parametri $\mu_j$ e $\sigma^2_j$. I pesi $w_j$ della rete sono implicitamentamente ``nascosti'' dentro al valore di questi due parametri

4. Per la natura a due dimensioni il costo computazionale dell' addestramento è relativamente leggero

Per una schematica rappresentazione delle differenze fra i due metodi, si può osservare la Figura 3.2.

Figura 3.2: RBFNN e GAME a confronto