ID3 decision tree algorithm [8] is

ID3 decision tree algorithm [8] is a well-known inductive
learning algorithm. It works on a set of examples of discrete
attribute values. Each attribute measures some feature of an object
or event. Firstly, ID3 selects an attribute for the test at the
root of the decision tree according to the classification ability.
Then, it creates a branch for each value of the selected attribute.
This procedure is recursively done for each non-terminal node
of the tree. Thus, the whole tree can be built from top to down.
Information gain rate of entropy is used as the indicator of attributes’
classification ability. C4.5 [9] and C5.0 classifiers are
developed from ID3 based on the information entropy. CART
[10] is another successful decision tree algorithm. It applies
GINI index as the indicator of attributes’ classification ability.
GINI index is similar to the entropy. There are researches [6, 4]
which focused on the speed of building decision trees. There
are also studies [7, 11] which concerned the accuracy of the
decision trees.

ผลลัพธ์ (ไทย) 1:

ID3 ตัดสินใจต้นไม้อัลกอริทึม [8] เป็นรู้จักกันแบบเหนี่ยวนำอัลกอริทึมการเรียนรู้ การทำงานบนชุดของตัวอย่างต่อเนื่องค่าแอตทริบิวต์ วัดแต่ละคุณลักษณะบางคุณลักษณะของวัตถุหรือเหตุการณ์ ประการแรก ID3 เลือกแอตทริบิวต์สำหรับการทดสอบที่การรากของต้นไม้การตัดสินใจตามความสามารถในการจำแนกแล้ว มันสร้างสาขาสำหรับแต่ละค่าของแอตทริบิวต์ที่เลือกขั้นตอนนี้จะทำสำหรับแต่ละโหนไม่ใช่เทอร์มินัล recursivelyของต้นไม้ ดังนั้น สามารถสร้างทั้งจากบนลงใช้ข้อมูลอัตรากำไรของ entropy เป็นตัวบ่งชี้ของคุณลักษณะสามารถจัดประเภท คำนามภาษา C5.0 และ C4.5 [9]พัฒนาจาก ID3 อิงเอนโทรปีของข้อมูล รถเข็น[10] เป็นอัลกอริทึมต้นไม้ตัดสินใจประสบความสำเร็จอีก ใช้ดัชนี GINI เป็นตัวบ่งชี้ความสามารถในการจำแนกประเภทของแอตทริบิวต์ดัชนี GINI จะคล้ายกับเอนโทรปี มีงานวิจัย [6, 4]ซึ่งเน้นความเร็วของการสร้างต้นไม้ตัดสินใจ มียังมีการศึกษา [7, 11] ซึ่งความกังวลความถูกต้องของการต้นไม้ตัดสินใจ

ผลลัพธ์ (ไทย) 2:

ID3 อัลกอริทึมต้นไม้ตัดสินใจ [8] เป็นที่รู้จักกันดีอุปนัย
ขั้นตอนวิธีการเรียนรู้ มันทำงานในชุดของตัวอย่างของการไม่ต่อเนื่อง
ค่าแอตทริบิวต์ แต่ละแอตทริบิวต์ขนาดคุณลักษณะของวัตถุบางอย่าง
หรือเหตุการณ์ ประการแรก ID3 เลือกแอตทริบิวต์สำหรับการทดสอบที่ที่
รากของต้นไม้ตัดสินใจตามความสามารถในการจำแนก.
จากนั้นจะสร้างสาขาสำหรับค่าของแอตทริบิวต์ที่เลือกแต่ละ.
ขั้นตอนนี้จะทำซ้ำสำหรับแต่ละโหนดที่ไม่ใช่ขั้ว
ของต้นไม้ . ดังนั้นต้นไม้ทั้งสามารถสร้างขึ้นมาจากด้านบนลง.
ข้อมูลได้รับอัตราเอนโทรปีถูกนำมาใช้เป็นตัวบ่งชี้ของคุณลักษณะฯ
ความสามารถในการจัดหมวดหมู่ C4.5 [9] และลักษณนาม C5.0 มีการ
พัฒนามาจาก ID3 อยู่บนพื้นฐานของข้อมูลที่เอนโทรปี รถเข็น
[10] เป็นขั้นตอนวิธีต้นไม้ตัดสินใจประสบความสำเร็จอีก ซึ่งจะใช้
ดัชนี GINI เป็นตัวบ่งชี้ความสามารถในการจำแนกคุณลักษณะ 'ได้.
ดัชนี GINI คล้ายกับเอนโทรปี มีงานวิจัยที่มี [6 4]
ซึ่งมุ่งเน้นไปที่ความเร็วของต้นไม้ตัดสินใจอาคาร มี
นอกจากนี้ยังมีการศึกษา [7 11] ซึ่งความกังวลความถูกต้องของ
ต้นไม้ตัดสินใจ