To go from the local CDW weights to

To go from the local CDW weights to a global weight
for all features, we average the feature weight vectors across all classes to get
a single global weight vector. This variant can be expected to perform well in
domains where the relevant features are the same for all classes (e.g., LED-24
from the UCI repository (Merz and Murphy, 1996)). The global weights can be
computed by taking a simple mean over all classes or by an average weighted by
the class frequency in the training data. The latter approach gives comparable
overall results, but tends to bias predictions toward the most common classes.
Because recent work has emphasized the importance of minority class predictions
(Fawcett, 1996), we present only results for the simple mean here. We call this
method global mean CDW (GM-CDW)

ผลลัพธ์ (ไทย) 1:

ไปจากท้องถิ่น CDW น้ำหนักน้ำหนักโลกคุณลักษณะทั้งหมด เราเฉลี่ยเวกเตอร์น้ำหนักลักษณะการทำงานระหว่างเรียนทั้งหมดจะได้รับน้ำหนักเดียวสากลเวกเตอร์ ตัวแปรนี้สามารถคาดหวังในการโดเมนที่ลักษณะการทำงานที่เกี่ยวข้องกันในชั้นเรียนทั้งหมด (เช่น LED-24จาก UCI เก็บ (Merz และเมอร์ฟี่ 1996)) น้ำหนักสากลสามารถคำนวณ โดยการเฉลี่ยอย่างเหนือชั้นทั้งหมด หรือ โดยเฉลี่ยถ่วงน้ำหนักโดยความถี่ของชั้นในข้อมูลการฝึกอบรม วิธีหลังให้เปรียบเทียบได้ผลโดยรวม แต่มีแนวโน้มที่คาดคะเนทแยงไปเรียนมากที่สุดเนื่องจากงานที่ล่าสุดได้เน้นความสำคัญของการคาดคะเนชั้นของชนกลุ่มน้อย(Fawcett, 1996), เรานำเสนอเฉพาะผลลัพธ์หมายความว่าอย่างที่นี่ เราเรียกนี้หมายความว่าวิธีสากล CDW (CDW กรัม)

ผลลัพธ์ (ไทย) 2:

ที่จะไปจากน้ำหนัก CDW ท้องถิ่นที่จะมีน้ำหนักทั่วโลกสำหรับคุณสมบัติทั้งหมดที่เราเฉลี่ยเวกเตอร์น้ำหนักคุณลักษณะทั่วทุกชั้นจะได้รับน้ำหนักทั่วโลกเดียวเวกเตอร์ ตัวแปรนี้คาดว่าจะสามารถทำงานได้ดีในโดเมนที่มีคุณสมบัติที่เกี่ยวข้องจะเหมือนกันสำหรับทุกชั้นเรียน (เช่น LED-24 จากที่เก็บ UCI (Merz และเมอร์ฟี่, 1996)) น้ำหนักทั่วโลกสามารถคำนวณโดยการใช้ค่าเฉลี่ยที่เรียบง่ายไปเรียนหรือโดยเฉลี่ยถ่วงน้ำหนักด้วยความถี่ชั้นในข้อมูลการฝึกอบรม แนวทางหลังให้เทียบเคียงผลโดยรวม แต่มีแนวโน้มที่จะคาดการณ์อคติต่อชั้นเรียนที่พบมากที่สุด. เพราะการทำงานที่ผ่านมาได้เน้นความสำคัญของการคาดการณ์ระดับน้อย(Fawcett 1996) เรานำเสนอผลเฉพาะสำหรับง่ายหมายถึงที่นี่ เราเรียกวิธีนี้วิธีการเฉลี่ยทั่วโลก CDW (GM-CDW)

ผลลัพธ์ (ไทย) 3:

ไปจากน้ำหนัก CDW ในท้องถิ่นเพื่อ
น้ำหนักทั่วโลกสำหรับคุณสมบัติทั้งหมด เราเฉลี่ยคุณลักษณะน้ำหนักเวกเตอร์ข้ามชั้นเรียนทั้งหมดจะได้รับ
เวกเตอร์น้ำหนักโลกเดียว ตัวแปรนี้จะถูกคาดว่าจะทำงานได้ดีในที่คุณลักษณะที่เกี่ยวข้อง
โดเมนจะเหมือนกันสำหรับทุกชั้นเรียน เช่น led-24
จาก UCI กรุ ( เมิร์ส และเมอร์ฟี่ , 1996 ) น้ำหนักสามารถ
)คำนวณโดยการหมายถึงง่ายกว่าทุกชั้นเรียน หรือโดยเฉลี่ยถ่วงน้ำหนักโดย
ชั้นความถี่ข้อมูลการฝึกอบรม แนวทางหลังให้ผลลัพธ์โดยรวมเทียบเท่า
, แต่มีแนวโน้มที่จะมีอคติต่อการคาดการณ์ส่วนใหญ่เรียน .
เพราะผลงานล่าสุดได้เน้นความสำคัญของเสียงข้างน้อยคาดคะเนคลาส
( ฟอว์เซตต์ , 1996 ) ได้เสนอผลเท่านั้นเพื่อง่ายหมายถึงที่นี่ เราเรียกนี้
วิธีสากลหมายถึง CDW ( gm-cdw )