We'll avoid the problem of overfitt

We'll avoid the problem of overfitting by stopping the algorithm here, since more than 80 percent of the examples in each group are from a single class. This forms the basis of our stopping criterion. You might have noticed that diagonal lines might have split the data even more cleanly. This is one limitation of the decision tree's knowledge representation, which uses axis-parallel splits.

ผลลัพธ์ (ไทย) 1:

เราจะหลีกเลี่ยงปัญหา overfitting โดยอัลกอริทึมที่นี่ หยุดเนื่องจากมากกว่าร้อยละ 80 ของตัวอย่างในแต่ละกลุ่มมาจากคลาสที่เดียว นี้รูปแบบพื้นฐานของเงื่อนไขการหยุดของเรา คุณอาจสังเกตว่า เส้นทแยงมุมอาจมีแยกข้อมูลสตรีมากยิ่งขึ้นด้วย นี้เป็นข้อจำกัดหนึ่งของของต้นไม้ตัดสินใจแผ่ ซึ่งใช้แยกแกนขนาน

ผลลัพธ์ (ไทย) 2:

เราจะหลีกเลี่ยงปัญหาของอิงโดยการหยุดอัลกอริทึมที่นี่ตั้งแต่ปีมากกว่าร้อยละ 80 ของตัวอย่างในแต่ละกลุ่มมาจากชั้นเดียว นี้รูปแบบพื้นฐานของเกณฑ์การหยุดของเรา คุณอาจจะได้สังเกตเห็นว่าเส้นทแยงอาจจะมีการแบ่งข้อมูลมากยิ่งขึ้นอย่างหมดจด นี้เป็นหนึ่งในข้อ จำกัด ของการเป็นตัวแทนความรู้ต้นไม้ตัดสินใจซึ่งใช้แยกแกนขนาน

ผลลัพธ์ (ไทย) 3:

เราจะหลีกเลี่ยงปัญหาของการหยุด overfitting ขั้นตอนวิธีที่นี่เมื่อกว่า 80 เปอร์เซ็นต์ ของตัวอย่างในแต่ละกลุ่มจากระดับเดียว นี้เป็นพื้นฐานของการหยุดเรียน คุณอาจสังเกตเห็นว่าเส้นแนวทแยงจะแยกข้อมูลเพิ่มเติมให้เรียบร้อย นี้เป็นหนึ่งในข้อ จำกัด ของการแทนความรู้ต้นไม้การตัดสินใจ , ซึ่งใช้แกนขนานแยก