In Chapter 6, we present results fr

In Chapter 6, we present results from an alternative paradigm to compare
classifiers. We investigate the hypothesis that StackingC is more stable than other
ensemble learning schemes, i.e. that its learning curve is at the uppermost level
of all learning curves. Surprisingly, we find that there is no significant difference
between all considered schemes within this paradigm.
In Chapter 7, we show that all ensemble learning systems, including StackingC,
Grading (Seewald & Furnkranz, ¨ 2001) and even Bagging (Breiman, 1996)
can be simulated by Stacking. For this we give functionally equivalent definitions
of most schemes as meta classifiers for Stacking.

ผลลัพธ์ (ไทย) 2:

ในบทที่ 6
เรานำเสนอผลจากกระบวนทัศน์ทางเลือกเพื่อเปรียบเทียบแยกแยะ เราจะตรวจสอบสมมติฐานที่ว่า StackingC มีเสถียรภาพมากขึ้นกว่าที่อื่น ๆรูปแบบการเรียนรู้ทั้งมวลคือว่าการเรียนรู้ที่อยู่ในระดับบนสุดของเส้นโค้งการเรียนรู้ทั้งหมด น่าแปลกที่เราจะพบว่าไม่มีความแตกต่างอย่างมีนัยสำคัญระหว่างรูปแบบการพิจารณาทั้งหมดภายในกระบวนทัศน์นี้. ในบทที่ 7 เราแสดงให้เห็นว่าระบบการเรียนรู้ทั้งมวลรวมทั้ง StackingC, การวัดผลการศึกษา (Seewald และ Furnkranz, ¨ 2001) และแม้กระทั่งการบรรจุถุง (Breiman, 1996) สามารถจำลองโดยซ้อน สำหรับวันนี้เราให้คำจำกัดความเทียบเท่าหน้าที่ของรูปแบบที่สุดเท่าที่จําแนก meta สำหรับซ้อน

ผลลัพธ์ (ไทย) 3:

ในบทที่ 6 ที่เรานำเสนอผลลัพธ์จากกระบวนทัศน์ทางเลือกเปรียบเทียบ
ลักษณนาม เราตรวจสอบสมมติฐานที่ว่า stackingc มีเสถียรภาพมากขึ้นกว่าที่อื่น ๆ รูปแบบการเรียนรู้
ทั้งมวล เช่นว่า เส้นโค้งการเรียนรู้ที่ระดับบนสุด
ของทุกการเรียนรู้โค้ง จู่ ๆ เราพบว่า ไม่มีความแตกต่างระหว่างการพิจารณาโครงร่างภายในกระบวนทัศน์
.
ในบทที่ 7เราพบว่าระบบการเรียนรู้ทั้งมวล รวมทั้ง stackingc
( seewald & furnkranz , การตั้ง , 2001 ) และแม้กระทั่งถุง ( breiman , 1996 )
สามารถจำลองโดยเรียงซ้อน สำหรับเรื่องนี้เราให้ตามหน้าที่เท่ากับคำนิยามของโครงการส่วนใหญ่เป็นคำ meta

สำหรับเรียงซ้อน