The current implementation of SLIPP

The current implementation of SLIPPER only handles
two-class classification problems. The output of
SLIPPER is a weighted ruleset, in which each rule R
is associated with a confidence CR. To classify an instance
x, one computes the sum of the confidences of
all rules that cover x, then predicts according to the
sign of this sum: if the sum is greater than zero, one
predicts the positive class. In order to make the ruleset
more comprehensible, we further constrain SLIPPER
to generate only rules that are associated with
a positive confidence rating--that is, all rules predict
membership in the positive class. The only rule with
a negative confidence rating (i.e., that predicts membership
in the negative class) is a single default rule.
This representation is a generalization of propositional
DNF, and is similar to that used by many other rule
learners: for most rule learners the classifier is a set of
rules, often with some associated numerical confidence
measure, and often with some sort of voting scheme for
resolving possible conflicts in the predictions.
Below, we describe the SLIPPER algorithm in detail.

ผลลัพธ์ (ไทย) 1:

การใช้งานปัจจุบันรองเท้าแตะจับเท่านั้นปัญหาประเภทสองชั้น ผลผลิตของรองเท้าแตะเป็น ruleset ถ่วงน้ำหนัก ซึ่งแต่ละกฎ Rเชื่อมโยงกับ CR มั่นอยู่ การจัดประเภทอินสแตนซ์x หนึ่งคำนวณผลรวมของ confidences ของกฎทั้งหมดที่ครอบคลุม x แล้วทำนายตามเครื่องหมายของผลบวกนี้: ถ้าผลรวมมีค่ามากกว่าศูนย์ หนึ่งทำนายระดับบวก เพื่อให้การ rulesetเพิ่มเติม comprehensible เราเพิ่มเติมจำกัดรองเท้าแตะการสร้างกฎที่เกี่ยวข้องการจัดอันดับความเชื่อมั่นบวก - นั่นคือ การทายผลของกฎทั้งหมดสมาชิกในระดับบวก กฎเดียวกับการประเมินความเชื่อมั่นค่าลบ (นั่นคือ ที่ทำนายการเป็นสมาชิกในระดับติดลบ) เป็นกฎเริ่มต้นที่เดียวการแสดงนี้เป็น generalization ของ propositionalDNF และคล้ายคลึงกับที่ใช้ โดยกฎอื่น ๆเรียน: ผู้เรียนกฎส่วนใหญ่ classifier ที่เป็นชุดของกฎ มักจะ มีความมั่นใจตัวเลขบางอย่างเกี่ยวข้องวัด และมักจะ มีบางจัดเรียงของชุดรูปแบบเสียงสำหรับแก้ไขความขัดแย้งเป็นไปได้ในการคาดคะเนด้านล่าง เราอธิบายขั้นตอนวิธีแตะในรายละเอียด

ผลลัพธ์ (ไทย) 2:

การดำเนินการปัจจุบันของรองเท้าเท่านั้นที่จะจัดการกับปัญหาการจำแนกประเภทสองระดับ การส่งออกของรองเท้าเป็น ruleset ถ่วงน้ำหนักซึ่งในแต่ละกฎ R มีความเกี่ยวข้องกับความเชื่อมั่นของ CR การจำแนกตัวอย่างx หนึ่งคำนวณผลรวมของความเชื่อมั่นของทุกกฎที่ครอบคลุมx แล้วคาดการณ์ตามสัญญาณของผลรวมนี้ถ้ารวมเป็นมากกว่าศูนย์หนึ่งคาดการณ์ในเชิงบวกในชั้นเรียน ในการที่จะทำให้ ruleset เข้าใจมากขึ้นเรายัง จำกัดรองเท้าเพื่อสร้างกฎระเบียบเฉพาะที่เกี่ยวข้องกับการให้คะแนนความเชื่อมั่นในเชิงบวก - นั่นคือกฎทำนายสมาชิกในระดับที่เป็นบวก กฎเฉพาะกับให้คะแนนความเชื่อมั่นในเชิงลบ(เช่นที่คาดการณ์สมาชิก. อยู่ในระดับที่เป็นลบ) เป็นกฎเริ่มต้นเดียวเป็นตัวแทนนี้เป็นลักษณะทั่วไปของประพจน์DNF และเป็นแบบเดียวกับที่ใช้โดยกฎอื่น ๆ อีกมากมายผู้เรียนส่วนใหญ่สำหรับผู้เรียนกฎลักษณนามคือชุดของกฎระเบียบที่มักจะมีความเชื่อมั่นตัวเลขบางส่วนที่เกี่ยวข้องกับการวัดและมักจะมีการจัดเรียงของโครงการการออกเสียงลงคะแนนบางอย่างสำหรับการแก้ไขปัญหาความขัดแย้งที่เป็นไปได้ในการคาดการณ์. ด้านล่างนี้เราจะอธิบายขั้นตอนวิธีรองเท้าในรายละเอียด

ผลลัพธ์ (ไทย) 3:

การใช้งานปัจจุบันของเตียงเท่านั้นที่จับ
2 ปัญหาการเรียน ผลผลิตของ
รองเท้าเป็นกฏหนักซึ่งในแต่ละกฎ r
เกี่ยวข้องกับความมั่นใจ CR แยกอินสแตนซ์
x , หนึ่งจะคำนวณผลรวมของความไว้วางใจของกฎทั้งหมดที่ครอบคลุม
x แล้วทำนายตาม
สัญลักษณ์ของผลรวมนี้ : ถ้าผลรวมมีค่ามากกว่าศูนย์ หนึ่ง
คาดการณ์ระดับบวกเพื่อให้เข้าใจมากขึ้น ruleset
เรายังฝืนรองเท้า
สร้างกฎเท่านั้นที่เกี่ยวข้องกับ
ความมั่นใจบวกคะแนน นั่นคือกฎทั้งหมดทำนาย
สมาชิกในระดับที่เป็นบวก กฎเฉพาะกับ
คะแนนความเชื่อมั่นเชิงลบ ( เช่นที่คาดการณ์สมาชิก
ในชั้นเรียนเชิงลบ ) กฎเดียวเริ่มต้น .
การแสดงนี้เป็นลักษณะทั่วไปของข้อเสนอ
DNF และคล้ายกับที่ใช้โดยมากเรียนกฎ
: กฎการจำแนกผู้เรียนมากที่สุดคือชุดของกฎที่
, มักจะมีบางตัวเลขความเชื่อมั่น
วัดและมักจะมีบางจัดเรียงของรูปแบบการโหวตแก้ไขความขัดแย้งในการคาดการณ์เป็นไปได้

ด้านล่าง . เราอธิบายขั้นตอนในรายละเอียด
รองเท้าแตะ .