Unlike a univariate decision tree,

Unlike a univariate decision tree, a multivariate decision tree is not restricted to splits of the instance space that are orthogonal to the features' axes. This article addresses several issues for constructing multivariate decision trees: representing a multivariate test, including symbolic and numeric features, learning the coefficients of a multivariate test, selecting the features to include in a test, and pruning of multivariate decision trees. We present several new methods for forming multivariate decision trees and compare them with several well-known methods. We compare the different methods across a variety of learning tasks, in order to assess each method's ability to find concise, accurate decision trees. The results demonstrate that some multivariate methods are in general more effective than others (in the context of our experimental assumptions). In addition, the experiments confirm that allowing multivariate tests generally improves the accuracy of the resulting decision tree over a univariate tree.

ผลลัพธ์ (ไทย) 1:

ซึ่งแตกต่างจากต้นไม้ตัดสินใจอย่างไร univariate ต้นไม้ตัดสินใจตัวแปรพหุได้แยกพื้นที่อินสแตนซ์ที่ orthogonal กับลักษณะการทำงานของแกนจำกัด บทความนี้อยู่หลายประเด็นสำหรับการสร้างต้นไม้ตัดสินใจตัวแปรพหุ: แสดงถึงการทดสอบตัวแปรพหุ รวมทั้งตัวเลข และสัญลักษณ์ สัมประสิทธิ์ของการทดสอบตัวแปรพหุการเรียนรู้ เลือกลักษณะการทำงานการรวมไว้ในการทดสอบ และตัดต้นไม้ตัดสินใจตัวแปรพหุ เรานำเสนอหลายวิธีใหม่สำหรับขึ้นรูปต้นไม้ตัดสินใจตัวแปรพหุ และเปรียบเทียบกับหลายวิธีที่รู้จักกันดี เราเปรียบเทียบวิธีการแตกต่างกันในความหลากหลายของงาน การเรียนรู้เพื่อประเมินความสามารถในแต่ละวิธีเพื่อค้นหาต้นไม้ตัดสินใจกระชับ ถูกต้อง ผลลัพธ์แสดงให้เห็นว่า บางวิธีตัวแปรพหุอยู่ในทั่วไปมีประสิทธิภาพมากขึ้นกว่าคนอื่น ๆ (ในบริบทของสมมติฐานของเราทดลอง) นอกจากนี้ การทดลองยืนยันว่า ให้ทดสอบตัวแปรพหุโดยทั่วไปปรับปรุงความถูกต้องของต้นไม้การตัดสินใจได้มากกว่าต้นไม้อย่างไร univariate

ผลลัพธ์ (ไทย) 2:

ซึ่งแตกต่างจากต้นไม้ตัดสินใจ univariate ต้นไม้หลายตัวแปรการตัดสินใจไม่ได้ จำกัด อยู่แยกของพื้นที่เช่นที่ตั้งฉากกับแกนคุณสมบัติ ' บทความนี้อยู่หลายประเด็นในการสร้างต้นไม้ตัดสินใจหลายตัวแปร: เป็นตัวแทนของการทดสอบหลายตัวแปรรวมทั้งคุณสมบัติสัญลักษณ์และตัวเลขการเรียนรู้ค่าสัมประสิทธิ์ของการทดสอบหลายตัวแปรการเลือกคุณสมบัติที่จะรวมในการทดสอบและการตัดแต่งกิ่งของต้นไม้การตัดสินใจหลายตัวแปร เรานำเสนอวิธีการใหม่ ๆ สำหรับการขึ้นรูปต้นไม้ตัดสินใจหลายตัวแปรและเปรียบเทียบกับหลายวิธีการที่รู้จักกันดี เราเปรียบเทียบวิธีการที่แตกต่างกันในหลากหลายของงานการเรียนรู้เพื่อที่จะประเมินความสามารถของแต่ละคนวิธีการที่จะหากระชับต้นไม้ตัดสินใจที่ถูกต้อง ผลการศึกษาแสดงให้เห็นว่าวิธีการหลายตัวแปรบางอย่างโดยทั่วไปมีประสิทธิภาพมากขึ้นกว่าคนอื่น ๆ (ในบริบทของสมมติฐานการทดลองของเรา) นอกจากนี้การทดลองยืนยันว่าช่วยให้การทดสอบหลายตัวแปรโดยทั่วไปเพิ่มความถูกต้องของต้นไม้การตัดสินใจที่เกิดขึ้นในช่วงต้น univariate

ผลลัพธ์ (ไทย) 3:

ซึ่งแตกต่างจากต้นไม้ที่มีโครงสร้างการตัดสินใจ การตัดสินใจไม่ จำกัด การแยกของอินสแตนซ์พื้นที่ที่มีคุณลักษณะ ' ตั้งฉากกับแกน บทความนี้เน้นปัญหาหลาย ๆสำหรับการสร้างต้นไม้การตัดสินใจ : แทนการทดสอบหลายตัวแปร ได้แก่ คุณลักษณะของสัญลักษณ์และตัวเลขการเรียนรู้โดยการทดสอบหลายตัวแปร ,การเลือกคุณลักษณะที่จะรวมอยู่ในการทดสอบ และการตัดแต่งกิ่งของต้นไม้การตัดสินใจ . เรานำเสนอวิธีการใหม่เพื่อสร้างต้นไม้การตัดสินใจและเปรียบเทียบกับวิธีการที่รู้จักกันดี เราเปรียบเทียบวิธีการที่แตกต่างกันในความหลากหลายของการเรียนรู้งาน เพื่อประเมินวิธีการของแต่ละความสามารถในการค้นหากระชับ ต้นไม้การตัดสินใจถูกต้องผลลัพธ์ที่แสดงให้เห็นว่า วิธีการบางอย่างเมื่ออยู่ในทั่วไปมีประสิทธิภาพมากขึ้นกว่าคนอื่น ๆ ( ในบริบทของสมมติฐานการทดลองของเรา ) นอกจากนี้ ผลการทดลองยืนยันว่า อนุญาตให้ทดสอบหลายตัวแปรโดยทั่วไปช่วยเพิ่มความถูกต้องของผลการตัดสินใจไปรักษาต้นไม้ต้นไม้