The best learning algorithms for AU

The best learning algorithms for AUC on the seven test problems
are boosted full decision trees, bagged decision trees,
neural nets, and SVMs. Surprisingly, maximum margin methods
such as SVMs and boosted decision trees yield excellent
AUC performance. We had not expected that maximizing the
margin to a decision boundary would provide a good basis for
ordering cases that fall far from those boundaries. We were
able to obtain surprisingly good AUC performance with each
learning algorithm by very thoroughly tuning each algorithms
parameters. Nevertheless, KNN, plain decision trees (including
smoothed probabilistic trees), and boosted stumps usually
did not yield AUC performance that was competitive with the
best models

ผลลัพธ์ (ไทย) 1:

ดีสุดในการเรียนรู้อัลกอริทึมสำหรับ AUC ในปัญหาทดสอบ 7กำลังตัดสินใจเต็มที่เพิ่มขึ้นต้นไม้ ต้นไม้ตัดสินใจ baggedตาข่ายประสาท และ SVMs นั้นจู่ ๆ วิธีกำไรสูงสุดตัดสินใจเพิ่มขึ้นและ SVMs ต้นไม้ผลตอบแทนดีประสิทธิภาพของ AUC เราไม่ได้คาดว่าการเพิ่มการการขอบเขตการตัดสินใจจะให้ข้อมูลพื้นฐานที่ดีสำหรับกรณีสั่งซื้อที่อยู่ใกล้ขอบเขตนั้น คำแนะนำสามารถได้รับประสิทธิภาพที่ดีจู่ ๆ AUC กับแต่ละอัลกอริทึมการเรียนรู้ โดยแต่ละอัลกอริทึมที่ปรับแต่งอย่างละเอียดมากพารามิเตอร์ อย่างไรก็ตาม KNN ต้นไม้การตัดสินใจแบบธรรมดา (รวมทั้งโค้งต้นไม้ probabilistic), และเพิ่มตอมักจะได้ผลผลิตประสิทธิภาพ AUC ที่แข่งขันด้วยการรุ่นที่ดีที่สุด

ผลลัพธ์ (ไทย) 2:

ขั้นตอนวิธีการที่ดีที่สุดของการเรียนรู้สำหรับ AUC
ในเจ็ดทดสอบปัญหาจะเพิ่มขึ้นต้นไม้ตัดสินใจเต็มถุงต้นไม้ตัดสินใจประสาทและ
SVMs น่าแปลกที่วิธีอัตรากำไรสูงสุดเช่นการจำแนกและการเพิ่มผลผลิตต้นไม้ตัดสินใจที่ยอดเยี่ยมประสิทธิภาพAUC เราไม่ได้คาดหวังว่าการเพิ่มอัตรากำไรขั้นต้นขอบเขตการตัดสินใจจะให้พื้นฐานที่ดีสำหรับการสั่งซื้อในกรณีที่ตกอยู่ห่างไกลจากขอบเขตเหล่านั้น เรามีความสามารถที่จะได้ประสิทธิภาพ AUC ดีตื่นตาตื่นใจกับแต่ละขั้นตอนวิธีการเรียนรู้โดยการอย่างละเอียดในแต่ละขั้นตอนวิธีการปรับพารามิเตอร์ อย่างไรก็ตาม KNN ต้นไม้ตัดสินใจธรรมดา(รวมทั้งเรียบต้นไม้น่าจะเป็น) และเพิ่มขึ้นตอไม้มักจะไม่ได้ผลการปฏิบัติงานAUC นั่นคือการแข่งขันกับรุ่นที่ดีที่สุด

ผลลัพธ์ (ไทย) 3:

การเรียนรู้ที่ดีที่สุดของขั้นตอนวิธีสำหรับยาในเจ็ดทดสอบปัญหา
จะประกอบการการตัดสินใจต้นไม้เต็มถุงต้นไม้การตัดสินใจ
ตาข่ายประสาท และแบบ . จู่ ๆ วิธี เช่น แบบกำไรสูงสุด
และต้นไม้การตัดสินใจเพิ่มขึ้นผลผลิตประสิทธิภาพยาที่ดี

เราไม่ได้คาดหวังว่าประสิทธิภาพสูงสุด
ขอบใจขอบเขตจะให้พื้นฐานที่ดีสำหรับ
สั่งคดีที่อยู่ไกลจากขอบเขตนั้น เราสามารถที่จะได้รับการแสดงค่า

ดีตื่นตาตื่นใจกับแต่ละอัลกอริทึมการเรียนรู้อย่างทั่วถึงโดยมากการปรับแต่งพารามิเตอร์แต่ละขั้นตอนวิธี

อย่างไรก็ตาม การตัดสินใจของ knn ต้นไม้ธรรมดา ( รวมถึง
เรียบต้นไม้ความน่าจะเป็น ) และเพิ่มขึ้นตอมักจะ
ไม่ได้ผลค่าประสิทธิภาพที่แข่งขันกับ

รุ่นที่ดีที่สุด