In the two other folds, the same at

In the two other folds, the same attribute appears in the same formula with
0.65 and 0.695652 resp. as value on the right side. It seems that the proportion
of nominal attributes plays a role on the performance between Stacking and
Grading: in case there about 2
3
or less of the attributes are nominal, Stacking
works significantly better than Grading.
A tentative explanation for this model may be that a smaller proportion of
nominal attributes makes learning harder for the base-learners, since most of
them are better equipped to handle nominal data. Stacking seems to be able to
compensate for this, since its meta-level data is independent of the base-level
data13 and is processed by MLR which is well equipped to handle numeric data.
However, Grading seems to be unable to compensate for this since its meta-level
data contains just the base-level attributes. Thus its meta learner IBk can be
expected to be susceptible to a smaller proportion of nominal attributes in the
same way as the base learners.

ผลลัพธ์ (ไทย) 1:

สองอื่น ๆ พับ แอตทริบิวต์เดียวกันปรากฏในสูตรเดียวกันกับ0.65 และ 0.695652 ชอบเป็นค่าทางด้านขวา เหมือนที่สัดส่วนแอตทริบิวต์ที่ระบุมีบทบาทการปฏิบัติงานระหว่าง Stacking และการจัดเกรด: ในกรณีมีเกี่ยวกับ 23หรือน้อยของแอตทริบิวต์ระบุ ซ้อนทำงานอย่างมีนัยสำคัญดีกว่า Gradingคำอธิบายที่แน่นอนสำหรับรูปแบบนี้อาจเป็นได้ว่าสัดส่วนของขนาดเล็กแอตทริบิวต์ที่ระบุให้เรียนหนักสำหรับฐานเรียน ตั้งแต่ส่วนใหญ่พวกเขาก็พร้อมที่จะจัดการกับข้อมูลที่ระบุ ซ้อนน่าจะได้ชดเชยสำหรับนี้ เนื่องจากขึ้นอยู่กับระดับฐานข้อมูลระดับ meta-data13 และการประมวลผล โดย MLR ที่ดีพร้อมที่จะจัดการข้อมูลอย่างไรก็ตาม Grading ดูเหมือนจะไม่สามารถชดเชยนี้ตั้งแต่ระดับ meta-ข้อมูลประกอบด้วยเพียงคุณลักษณะระดับฐาน ดัง นั้นผู้เรียน meta IBk สามารถต้องควบคู่กับสัดส่วนขนาดเล็กของแอตทริบิวต์ที่ระบุในแบบเหมือนเป็นการเรียนพื้นฐาน

ผลลัพธ์ (ไทย) 2:

ในช่วงสองเท่าอื่น ๆ คุณลักษณะเดียวกันปรากฏในสูตรเดียวกันกับ
0.65 และ 0.695652 รับผิดชอบ เป็นค่าที่ด้านขวา ดูเหมือนว่าสัดส่วนของคุณลักษณะที่ระบุมีบทบาทต่อประสิทธิภาพการทำงานระหว่างซ้อนและการวัดผลการศึกษา: ในกรณีที่มีประมาณ 2 3 หรือน้อยกว่าของคุณลักษณะที่มีเล็กน้อยซ้อนทำงานอย่างมีนัยสำคัญที่ดีกว่าการวัดผล. คำอธิบายเบื้องต้นสำหรับรุ่นนี้อาจเป็นได้ว่า สัดส่วนที่เล็กกว่าของคุณลักษณะที่ระบุทำให้การเรียนรู้ยากสำหรับผู้เรียนฐานเนื่องจากส่วนใหญ่ของพวกเขามีการติดตั้งดีกว่าที่จะจัดการกับข้อมูลที่ระบุ ซ้อนดูเหมือนว่าจะสามารถที่จะชดเชยการนี้เนื่องจากข้อมูล meta ระดับที่เป็นอิสระจากฐานระดับ data13 และการประมวลผลโดยอัตราดอกเบี้ย MLR ซึ่งมีความพร้อมที่จะจัดการกับข้อมูลที่เป็นตัวเลข. อย่างไรก็ตามการวัดผลดูเหมือนว่าจะไม่สามารถชดเชยนี้ตั้งแต่ meta-ระดับของข้อมูลที่มีเพียงลักษณะฐานระดับ ดังนั้นผู้เรียนเมตาของ IBK สามารถคาดว่าจะมีความเสี่ยงที่จะเป็นสัดส่วนที่มีขนาดเล็กของคุณลักษณะที่ระบุในลักษณะเดียวกับฐานผู้เรียน

ผลลัพธ์ (ไทย) 3:

ในอีกสองเท่า ลักษณะเดียวกันที่ปรากฏในสูตรเดียวกันกับ
0.65 และ 0.695652 resp . เป็นค่าทางด้านขวา ดูเหมือนว่า สัดส่วน
ของแอตทริบิวต์ชื่อบทบาทในการปฏิบัติระหว่างซ้อนและในกรณีที่มีคะแนน :
2
3
หรือน้อยกว่าของแอตทริบิวต์เป็นนามซ้อนงานอย่างมีนัยสำคัญดีกว่า

คะแนนคำอธิบายที่แน่นอนสำหรับรุ่นนี้อาจจะเห็นว่าสัดส่วนเล็กน้อย ทำให้การเรียนรู้
คุณลักษณะกว่าฐานผู้เรียน เนื่องจากส่วนใหญ่ของพวกเขามีการติดตั้งดีกว่าที่จะจัดการ
ข้อมูลปกติ ซ้อนดูเหมือนว่าจะสามารถ
ชดเชยนี้ นับตั้งแต่ระดับ meta ข้อมูลเป็นอิสระของระดับ
ฐาน data13 และประมวลผลโดย MLR ซึ่งมีอุปกรณ์อย่างดีเพื่อจัดการกับข้อมูลตัวเลข
อย่างไรก็ตามเกรดที่ดูเหมือนว่าจะไม่สามารถชดเชยนี้นับตั้งแต่เมตาระดับ
ข้อมูลมีเพียงระดับพื้นฐานคุณลักษณะ จึงเรียน ibk ของ Meta สามารถ
คาดว่าจะอ่อนแอต่อขนาดเล็กสัดส่วนของค่าแอตทริบิวต์ในวิธีเดียวกันเป็นฐาน

เรียน