Sklansky and his students developed

Sklansky and his students developed several piecewise linear discriminants based on the principle of locally opposed clusters of objects. Wassel and Sklansky [368,335] suggested a procedure to train a linear split to minimize the error probability. Using this procedure, Sklansky and Michelotti [334] developed a system to induce a piece-wise linear classifier. Their method identifies the closest-opposed pairs of clusters in the data, and trains each linear discriminant locally. The final classifier produced by this method is a piecewise linear decision surface, not a tree. Foroutan [107] discovered that the resubstitution error rate of optimized piece-wise linear classifiers is nearly monotonic with respect to the number of features. Based on this result, Foroutan and Sklansky [108] suggest an effective feature selection procedure for linear splits that uses zero-one integer programming. Park and Sklansky [280,281] describe methods to induce linear tree classifiers and piece-wise linear discriminators. The main idea in these methods is to find hyperplanes that cut a maximal number of Tomek links. Tomek links of a data set connect opposed pairs of data points for which the circle of influence between the points doesn't contain any other points.

ผลลัพธ์ (ไทย) 1:

Sklansky และนักเรียนของพัฒนาหลาย piecewise discriminants เชิงเส้นโดยใช้หลักการของเครื่องตรงข้ามของวัตถุ Wassel และ Sklansky [368,335] แนะนำขั้นตอนการฝึกแบ่งเส้นตรงเพื่อลดความผิดพลาด ใช้ขั้นตอนนี้ Sklansky และ Michelotti [334] พัฒนาระบบเพื่อก่อให้เกิดการ piece-wise classifier เชิงเส้น วิธีการระบุคู่เทียบเคียงของคลัสเตอร์ข้อมูล และรถไฟ discriminant เชิงเส้นแต่ละเครื่อง Classifier ขั้นสุดท้ายที่ผลิต โดยวิธีนี้เป็นการ piecewise ตัดสินใจเชิงพื้นผิว ต้นไม้ไม่ Foroutan [107] พบว่า อัตราข้อผิดพลาด resubstitution ที่เหมาะ piece-wise คำนามภาษาเชิงเส้นเป็นเกือบ monotonic กับหมายเลขของคุณลักษณะการ ตามผลนี้ Foroutan และ Sklansky [108] แนะนำคุณลักษณะที่มีประสิทธิภาพเลือกกระบวนการสำหรับแยกเส้นที่ใช้เขียนโปรแกรมหนึ่งศูนย์จำนวนเต็ม พาร์คและ Sklansky [280,281] อธิบายวิธีชวนคำนามภาษาต้นไม้เชิงเส้น และ piece-wise discriminators เชิงเส้น ความคิดหลักในวิธีการเหล่านี้คือการ หา hyperplanes ที่ตัดตัวเลขสูงสุดของการเชื่อมโยง Tomek Tomek การเชื่อมโยงของชุดข้อมูลเชื่อมต่อคู่ตรงข้ามของจุดข้อมูลที่วงอิทธิพลระหว่างจุดไม่ประกอบด้วยจุดใด ๆ

ผลลัพธ์ (ไทย) 2:

Sklansky และนักเรียนของเขาพัฒนา discriminants เชิงเส้นค่หลายบนพื้นฐานของหลักการของกลุ่มที่ไม่เห็นด้วยในท้องถิ่นของวัตถุ Wassel และ Sklansky [368335] แนะนำขั้นตอนในการฝึกอบรมเชิงเส้นแยกเพื่อลดความน่าจะเป็นข้อผิดพลาด ใช้ขั้นตอนนี้ Sklansky และ Michelotti [334] การพัฒนาระบบที่จะทำให้เกิดลักษณนามเชิงเส้นชิ้นที่ชาญฉลาด วิธีการของพวกเขาระบุคู่ตรงข้ามที่ใกล้เคียงที่สุดของกลุ่มในข้อมูลและรถไฟแต่ละจำแนกเชิงเส้นในประเทศ ลักษณนามสุดท้ายที่ผลิตโดยวิธีการนี​​้เป็นพื้นผิวการตัดสินใจเชิงเส้นค่ไม่ต้นไม้ Foroutan [107] พบว่า resubstitution อัตราความผิดพลาดของการเพิ่มประสิทธิภาพเชิงเส้นแยกแยะชิ้นฉลาดเกือบเนื่องที่เกี่ยวกับจำนวนของคุณสมบัติ บนพื้นฐานของผลนี้ Foroutan และ Sklansky [108] แนะนำที่มีประสิทธิภาพขั้นตอนการเลือกคุณลักษณะสำหรับแยกเชิงเส้นที่ใช้ในการเขียนโปรแกรมจำนวนเต็มศูนย์หนึ่ง Park และ Sklansky [280281] อธิบายวิธีการที่จะทำให้เกิดการจําแนกต้นไม้เชิงเส้นและชิ้นส่วนที่ชาญฉลาด d​​iscriminators เชิงเส้น แนวคิดหลักในวิธีการเหล่านี้คือการหา hyperplanes ที่ตัดจำนวนสูงสุดของการเชื่อมโยง Tomek การเชื่อมโยงของ Tomek ชุดข้อมูลที่เชื่อมต่อคู่ตรงข้ามของจุดข้อมูลที่วงกลมของอิทธิพลระหว่างจุดไม่ได้มีจุดอื่น ๆ

ผลลัพธ์ (ไทย) 3:

sklansky และนักพัฒนาหลายเชิงเส้นเป็นช่วง discriminants ตามหลักการของภายใน ต่อต้านกลุ่มของวัตถุ และ wassel sklansky [ 368335 ] แนะนำขั้นตอนการฝึกแยกเชิงเส้นเพื่อลดความน่าจะเป็นของข้อผิดพลาด การใช้กระบวนการนี้ และ sklansky michelotti [ 334 ] พัฒนาระบบ เพื่อทำให้เกิดปัญญาเชิงเส้นชิ้นลักษณนามวิธีของพวกเขาระบุใกล้คู่ของกลุ่มต่อต้านในข้อมูลเชิงจำแนก และรถไฟในแต่ละท้องถิ่น สุดท้ายตัวที่ผลิตโดยวิธีนี้คือพื้นผิวการตัดสินใจเชิงเส้นเป็นช่วง ไม่ใช่ต้นไม้ foroutan [ 107 ] พบว่า resubstitution อัตราความผิดพลาดของชิ้นส่วนที่มีปัญญาเชิงเส้นเหมาะเกือบโมโนโทนิกเกี่ยวกับจำนวนของคุณสมบัติบนพื้นฐานของผลนี้ และ foroutan sklansky [ 108 ] แนะนำคุณลักษณะที่มีประสิทธิภาพการเลือกกระบวนการเชิงเส้นผ่าศูนย์หนึ่งจำนวนเต็มที่ใช้ในการเขียนโปรแกรม สวนสาธารณะและ sklansky [ 280281 ] อธิบายวิธีการเพื่อให้เกิดคำต้นไม้เชิงเส้นและชิ้นปัญญาเชิงเส้น discriminators . แนวคิดหลักในวิธีการเหล่านี้คือการค้นหา hyperplanes ที่ตัด tomek จำนวนสูงสุดของการเชื่อมโยงtomek การเชื่อมโยงของชุดข้อมูลเชื่อมต่อเทียบคู่ของจุดข้อมูลที่วงกลมของอิทธิพลระหว่างจุดไม่ประกอบด้วยใด ๆอื่น ๆจุด