simple: firstly, select a window at

simple: firstly, select a window at random from training set,
and form a decision tree for the current window (the sample
subset including both positive example and negative
example) with tree building algorithm; secondly, determine
the classification of samples in training set (except window)
with obtained decision tree so as to find misjudged
examples; if there are misjudge examples, insert them into
window and transfer them to tree building process, if not,
stop. ID3 algorithm has the following problems:
When traversing the space of decision tree, ID3
algorithm just maintains single, current hypothesis, and
loses the advantages brought by presenting all the
hypothesis, for example, it could not determine how many
other decision trees are consistent with current training data,
or use new examples query to optimally determine these
competitive hypothesis.
ID3 algorithm does not backtrack in searching.
Whenever certain layer of tree chooses a property to test, it
will not backtrack to reconsider this choice. In this way,
algorithm could easily converged local optimal answer, but
not global optimal answer.
The computational method based on mutual information
and used by ID3 algorithm relies on the property which has
more property value. But this property is not sure to be the
property with optimal classification.
ID3 algorithm is a kind of greedy algorithm. For
incremental learning task, ID3 algorithm could not accept
training sample incrementally, so the each increase of
example requires to abandon original decision tree, to
restructure new decision tree, and to cause lots of overhead.
So ID3 algorithm does not suit incremental learning.
ID3 algorithm is sensitive to noise. Quinlan defines the
noise as the wrong property value and wrong classification
of training sample data.
ID3 algorithm focuses attention on the selection of
property, but this method has been doubted by some
scholars. Whether property selection greatly affects the
precision of decision tree is still not concluded now.
Generally speaking, ID3 algorithm fits for dealing with
large-scale learning problems for clear theory, simple
methods, and stronger learning capacity. It is a very good
example in data mining and machine learning area, as well
as a useful tool for obtaining knowledge.

ผลลัพธ์ (ไทย) 1:

เรื่อง: ประการแรก เลือกหน้าต่างที่สุ่มจากชุด การฝึกอบรม และแบบฟอร์มในหน้าต่างปัจจุบัน (ตัวอย่างต้นไม้ตัดสินใจ ย่อยรวมทั้งตัวอย่างการบวกและลบ ตัวอย่าง) ด้วยขั้นตอนวิธีการสร้างแผนภูมิ ประการที่สอง กำหนด การจัดประเภทของตัวอย่างในการฝึกอบรมชุด (ยกเว้นหน้าต่าง) มีการตัดสินใจที่ได้รับ misjudged ทรีเพื่อค้นหา ตัวอย่าง ถ้ามีตัวอย่าง misjudge แทรกเข้า หน้าต่างและการโอนย้ายให้สร้างแผนภูมิกระบวนการ ไม่ หยุด อัลกอริทึม ID3 มีปัญหาต่อไปนี้: เมื่อข้ามสิ่งกีดขวางระยะห่างของต้นไม้การตัดสินใจ ID3 อัลกอริทึมรักษาเพียงสมมติฐานเดียว ปัจจุบัน และ สูญเสียประโยชน์โดยการนำเสนอทั้งหมด สมมติฐาน เช่น มันไม่สามารถกำหนดจำนวน ต้นไม้การตัดสินใจอื่น ๆ สอดคล้องกับข้อมูลปัจจุบันการฝึกอบรม หรือใช้แบบสอบถามตัวอย่างใหม่ในการกำหนดเหล่านี้อย่างเหมาะสม สมมติฐานที่แข่งขัน อัลกอริทึม ID3 ไม่ backtrack ค้นหา เมื่อใดก็ ตามบางชั้นของแผนภูมิเลือกคุณสมบัติเพื่อทดสอบ มัน จะ backtrack ไป reconsider นี้ ด้วยวิธีนี้ อัลกอริทึมสามารถตอบท้องถิ่นเหมาะสม converged ง่าย แต่ คำตอบดีที่สุดทั่วโลกไม่ วิธีการคำนวณตามข้อมูลซึ่งกันและกัน และถูกใช้ โดย ID3 อัลกอริทึมอาศัยคุณสมบัติที่มี ค่าคุณสมบัติเพิ่มเติม แต่นี่ไม่แน่ใจว่าต้องการ คุณสมบัติกับประเภทที่เหมาะสม อัลกอริทึม ID3 เป็นชนิดของอัลกอริทึมตะกละ สำหรับ เพิ่มการเรียนรู้งาน อัลกอริทึม ID3 อาจไม่ยอมรับ ฝึกอบรมตัวอย่างแบบเพิ่มหน่วย ดังนั้นแต่ละเพิ่มของ ตัวอย่างจำเป็นต้องสละเดิมต้นไม้การตัดสินใจ การ ต้นไม้การตัดสินใจใหม่ การจัดโครงสร้างและทำของค่าใช้จ่ายในการ ดังนั้น อัลกอริทึม ID3 ไม่เหมาะกับการเรียนรู้เพิ่มขึ้น อัลกอริทึม ID3 มีความไวต่อเสียง Quinlan กำหนด เสียงเป็นค่าของคุณสมบัติไม่ถูกต้องและจัดประเภทไม่ถูกต้อง ของข้อมูลตัวอย่างในการฝึกอบรม อัลกอริทึม ID3 เน้นความสนใจในการเลือก คุณสมบัติ แต่วิธีการนี้ได้ถูก doubted โดยบางส่วน นักปราชญ์ ว่าเลือกคุณสมบัติมากมีผลต่อการ ความแม่นยำของต้นไม้การตัดสินใจจะยังไม่สรุปตอนนี้ พูด อัลกอริทึม ID3 เหมาะสำหรับจัดการกับ ปัญหาการเรียนรู้ขนาดใหญ่สำหรับทฤษฎีชัดเจน อย่าง วิธี และกำลังเรียนรู้ที่แข็งแกร่ง มันเป็นอย่างดี ตัวอย่างในการทำเหมืองข้อมูลและเครื่องตั้ง ด้วยการเรียนรู้ เป็นเครื่องมือที่มีประโยชน์สำหรับการได้รับความรู้

ผลลัพธ์ (ไทย) 2:

ความเรียบง่าย: ตอนแรกเลือกหน้าต่างที่สุ่มจากชุดการฝึกอบรม
และรูปแบบต้นไม้ตัดสินใจสำหรับหน้าต่างปัจจุบัน (ตัวอย่าง
ย่อยรวมทั้งตัวอย่างบวกและลบ
เช่น) ที่มีขั้นตอนวิธีการสร้างต้นไม้; ประการที่สองการตรวจสอบ
การจัดหมวดหมู่ของกลุ่มตัวอย่างอยู่ในชุดฝึกอบรม (ยกเว้นหน้าต่าง)
กับต้นไม้ที่ได้รับการตัดสินใจเพื่อที่จะพบว่าผิด
ตัวอย่าง; ถ้ามีตัวอย่างพิจารณาผิด, ใส่ไว้ใน
หน้าต่างและโอนให้กระบวนการสร้างต้นไม้ถ้าไม่
หยุด อัลกอริทึม ID3 มีปัญหาต่อไปนี้:
เมื่อภายในพื้นที่ของต้นไม้ตัดสินใจ ID3
อัลกอริทึมเพียงแค่รักษาเดียวสมมติฐานในปัจจุบันและ
สูญเสียความได้เปรียบนำโดยนำเสนอทุก
สมมติฐานเช่นมันไม่สามารถกำหนดจำนวน
ต้นไม้ตัดสินใจอื่น ๆ ที่มีความสอดคล้องกับ ข้อมูลการฝึกอบรมในปัจจุบัน
หรือใช้ตัวอย่างใหม่แบบสอบถามเพื่อตรวจสอบอย่างดีที่สุดเหล่านี้
สมมติฐานการแข่งขัน
อัลกอริทึม ID3 ไม่เปลี่ยนใจในการค้นหา
เมื่อใดก็ตามที่ชั้นหนึ่งของต้นไม้เลือกสถานที่ให้บริการในการทดสอบก็
จะไม่เปลี่ยนใจที่จะพิจารณาทางเลือกนี้ ด้วยวิธีนี้
อัลกอริทึมสามารถแปรสภาพได้ง่ายคำตอบที่ดีที่สุดในประเทศ แต่
ไม่ดีที่สุดทั่วโลกตอบ
วิธีการคำนวณตามข้อมูลร่วมกัน
และใช้อัลกอริทึม ID3 อาศัยบนที่ดินซึ่งมี
มูลค่าทรัพย์สินมากขึ้น แต่สถานที่ให้บริการนี้ไม่แน่ใจว่าจะเป็น
สถานที่ที่เหมาะสมกับการจัด
ขั้นตอนวิธี ID3 เป็นชนิดของขั้นตอนวิธีโลภ สำหรับ
งานการเรียนรู้ที่เพิ่มขึ้นอัลกอริทึม ID3 ไม่อาจยอมรับ
ตัวอย่างการฝึกอบรมเพิ่มขึ้นดังนั้นการเพิ่มขึ้นของแต่ละ
ตัวอย่างต้องละทิ้งต้นไม้ตัดสินใจเดิมที่จะ
ปรับโครงสร้างต้นไม้ตัดสินใจใหม่และจะก่อให้เกิดค่าใช้จ่ายจำนวนมาก
ดังนั้นอัลกอริทึม ID3 ไม่เหมาะกับการเรียนรู้ที่เพิ่มขึ้น
ID3 อัลกอริทึมมีความไวต่อเสียง ควินแลนกำหนด
เสียงเป็นค่าสถานที่ให้บริการที่ไม่ถูกต้องและการจัดหมวดหมู่ที่ไม่ถูกต้อง
ของข้อมูลตัวอย่างการฝึกอบรม
ขั้นตอนวิธี ID3 เน้นความสนใจเกี่ยวกับการเลือก
สถานที่ให้บริการ แต่วิธีนี้ได้รับการสงสัยโดยบาง
นักวิชาการ ไม่ว่าจะเป็นตัวเลือกของสถานที่ให้มีผลกระทบต่อ
ความแม่นยำของต้นไม้ตัดสินใจยังไม่สามารถสรุปได้ในขณะนี้
โดยทั่วไปขั้นตอนวิธี ID3 เหมาะสำหรับการรับมือกับ
ปัญหาการเรียนรู้ขนาดใหญ่สำหรับทฤษฎีที่ชัดเจนง่าย
วิธีการและความสามารถในการเรียนรู้มากขึ้น มันเป็นสิ่งที่ดีมาก
เช่นในการทำเหมืองข้อมูลและพื้นที่การเรียนรู้เครื่องรวมทั้ง
เป็นเครื่องมือที่มีประโยชน์สำหรับการได้รับความรู้

ผลลัพธ์ (ไทย) 3:

ง่ายๆคือ เลือกหน้าต่างที่สุ่มจากชุดฝึก
และรูปแบบโครงสร้างการตัดสินใจสำหรับหน้าต่างปัจจุบัน ( ตัวอย่าง
ย่อยทั้งบวกและลบตัวอย่างตัวอย่าง
) ด้วยวิธีการสร้างต้นไม้ ; ประการที่สองตรวจสอบ
การจำแนกตัวอย่างชุดฝึก ( ยกเว้นหน้าต่าง )
กับได้รับการตัดสินใจแบบต้นไม้เป็นต้น ค้นหาผิดไป
ตัวอย่าง ; หากมีการตัดสินที่ผิดตัวอย่างใส่เข้าไปในกระบวนการหน้าต่างและโอนให้

อาคารต้นไม้ถ้าไม่หยุด ขั้นตอนวิธี ID3 มีปัญหาต่อไปนี้ :
เมื่อ traversing พื้นที่ของต้นไม้ การตัดสินใจเพื่อรักษา ID3
แค่เดียว สมมติฐานปัจจุบัน และเสียประโยชน์ โดยการนำเอา

สมมติฐานทั้งหมด ตัวอย่างเช่น มันไม่สามารถกําหนดจํานวน
ต้นไม้การตัดสินใจอื่น ๆที่สอดคล้องกับข้อมูลการฝึกอบรมในปัจจุบัน
หรือใช้ตัวอย่างใหม่สอบถามดีที่สุดตรวจสอบเหล่านี้
แข่งขันสมมติฐาน ขั้นตอนวิธี
ID3 ไม่ได้ย้อนกลับไปในการค้นหา
เมื่อใดก็ตามที่ชั้นบางของต้นไม้เลือกคุณสมบัติเพื่อทดสอบมัน
จะไม่ BACKTRACK พิจารณาทางเลือกนี้ วิธีนี้ขั้นตอนได้อย่างง่ายดายสามารถแปรสภาพคำตอบที่ดีที่สุด

ท้องถิ่น แต่โลกที่ไม่ตอบ
วิธีการคำนวณจากข้อมูลซึ่งกันและกัน
และใช้อัลกอริทึม ID3 อาศัยคุณสมบัติซึ่งมี
ค่าคุณสมบัติเพิ่มเติม แต่คุณสมบัตินี้ไม่แน่ใจว่าเป็น
คุณสมบัติกับหมวดหมู่ที่เหมาะสมที่สุด ขั้นตอนวิธี
ID3 เป็นขั้นตอนวิธีแบบละโมบ . สำหรับขั้นตอนวิธีการเรียนรู้
เพิ่มงาน ID3 สามารถยอมรับ
ตัวอย่างแบบเพิ่มหน่วยฝึกอบรม ,ดังนั้นแต่ละเพิ่ม
ตัวอย่างต้องทิ้งการตัดสินใจแบบต้นไม้เดิม

ต้นไม้การตัดสินใจปรับโครงสร้างใหม่ และก่อให้เกิดจำนวนมากของค่าใช้จ่าย
ดังนั้นขั้นตอนวิธี ID3 ไม่เหมาะกับการเรียนรู้แบบเพิ่มหน่วย ขั้นตอนวิธี
ID3 มีความไวต่อสัญญาณรบกวน ควินแลนกำหนด
เสียงผิดมูลค่าทรัพย์สินและ
การจำแนกผิดของข้อมูลตัวอย่างการฝึกอบรม
ขั้นตอนวิธี ID3 เน้นความสนใจในการเลือก
คุณสมบัติ แต่วิธีการนี้ได้ถูกสงสัยโดย
บัณฑิต ไม่ว่าการเลือกคุณสมบัติมากมีผลต่อ
ความแม่นยำของต้นไม้ การตัดสินใจยังไม่สรุปได้แล้ว
พูดโดยทั่วไปขั้นตอนวิธี ID3 เหมาะกับการจัดการกับปัญหาการเรียนทฤษฎี
ขนาดใหญ่ชัดเจน วิธีการง่ายๆ
, และความสามารถในการเรียนรู้ที่แข็งแกร่ง มันเป็นตัวอย่างที่ดีมาก
ในการทำเหมืองข้อมูลและการเรียนรู้เครื่องพื้นที่เช่นกัน
เป็นเครื่องมือที่มีประโยชน์สำหรับการได้รับความรู้