Ensemble learning schemes are a new

Ensemble learning schemes are a new field in data mining. While current research
concentrates mainly on improving the performance of single learning
algorithms, an alternative is to combine learners with different biases. Stacking
is an ensemble learning scheme which tries to combine learners’ predictions or
confidences via another learning algorithm. However, the adoption of Stacking
into the data mining community is hampered by its large parameter space, consisting
mainly of other learning algorithms: (1) the set of learning algorithms
to combine, (2) the meta-learner responsible for the combining and (3) the type
of meta data to use: confidences or predictions. None of these parameters are
obvious choices. Furthermore, little is known about the relation between parameter
settings and performance of Stacking. By exploring all of Stacking’s
parameter settings and their interdependencies, we intend to make Stacking a
suitable choice for mainstream data mining applications. This chapter is based
on the paper (Seewald, 2002c).

ผลลัพธ์ (ไทย) 1:

แผนการเรียนรู้วงดนตรีมีเขตข้อมูลใหม่ในการทำเหมืองข้อมูล ขณะที่งานวิจัยปัจจุบันสารสกัดส่วนใหญ่ในการปรับปรุงประสิทธิภาพของการเรียนรู้เดียวอัลกอริทึม ทางเลือกคือรวมผู้เรียนกับยอมแตกต่างกัน ซ้อนเป็นแผนการเรียนรู้วงดนตรีซึ่งพยายามคาดคะเนของผู้เรียนรวม หรือconfidences ผ่านอัลกอริทึมการเรียนรู้อื่น อย่างไรก็ตาม มาตรการ Stackingเป็นข้อมูล ชุมชนเหมืองถูกขัดขวาง โดยพื้นที่พารามิเตอร์ขนาดใหญ่ ประกอบด้วยของอื่น ๆ ส่วนใหญ่อัลกอริทึมการเรียนรู้: (1) ชุดการเรียนรู้อัลกอริทึมรวม, (2) เมตาผู้เรียนรับผิดชอบสำหรับการรวมและ (3) แบบข้อมูล meta ที่ใช้: confidences หรือคาดคะเน ไม่มีพารามิเตอร์เหล่านี้ตัวเลือกที่ชัดเจน นอกจากนี้ เพียงเล็กน้อยเป็นที่รู้จักกันเกี่ยวกับความสัมพันธ์ระหว่างพารามิเตอร์การตั้งค่าและประสิทธิภาพของ Stacking โดยการสำรวจทั้งหมดของ Stackingตั้งค่าพารามิเตอร์และกันของพวกเขา เราตั้งใจให้ Stacking เป็นทางเลือกที่เหมาะสมสำหรับโปรแกรมประยุกต์การทำเหมืองข้อมูลหลัก บทนี้อยู่บนกระดาษ (Seewald, 2002c)

ผลลัพธ์ (ไทย) 3:

แผนการเรียนทั้งหมดเป็นเขตข้อมูลใหม่ในการทำเหมืองข้อมูล ในขณะที่
การวิจัยในปัจจุบันเข้มข้นส่วนใหญ่ในการปรับปรุงประสิทธิภาพของขั้นตอนวิธีการเรียนรู้
เดียว ทางเลือกคือการรวมผู้เรียนด้วยอคติต่าง ๆ
เป็นชุดการเรียนรู้แบบซ้อนซึ่งพยายามที่จะรวมผู้เรียนคาดคะเนหรือ
ความไว้วางใจผ่านการเรียนรู้อื่นขั้นตอนวิธี อย่างไรก็ตาม การยอมรับของ
ราคาถูกในชุมชนการทำเหมืองข้อมูลเป็น hampered โดยพารามิเตอร์ที่ว่างขนาดใหญ่ประกอบด้วยส่วนใหญ่ของขั้นตอนวิธีการเรียนรู้อื่น ๆ :
( 1 ) ชุดการเรียนรู้ขั้นตอนวิธี
รวม ( 2 ) เมตาผู้เรียนรับผิดชอบรวม และ ( 3 ) ประเภท
ของข้อมูล meta ที่ใช้ : ปรับทุกข์หรือคาดคะเน ไม่มีพารามิเตอร์เหล่านี้
ตัวเลือกที่ชัดเจน นอกจากนี้ยังเป็นที่รู้จักกันเพียงเล็กน้อยเกี่ยวกับความสัมพันธ์ระหว่างพารามิเตอร์
การตั้งค่าและการทำงานของเรียงซ้อน โดยการสำรวจทั้งหมดของพารามิเตอร์การตั้งค่าและซ้อน
interdependencies ของพวกเขา เราตั้งใจจะทำให้เป็นทางเลือกที่เหมาะสมสำหรับซ้อน
หลักการทำเหมืองข้อมูลการใช้งาน บทนี้ใช้
บนกระดาษ ( seewald 2002c , )