recursive divide-and-conquer manner

recursive divide-and-conquer manner and the compatibility of
Decision trees degrades because the output is limited to one
attribute. Trees created from the numeric datasets seems to be
more complex and also when the database is large the
complexity of the tree increases. In comparison with the
Random Forest algorithm the time complexity of Decision
trees increases exponentially with the tree height. Hence
shallow trees tend to have large number of leaves and high
error rates.
As the tree size increases, training error decreases. However,
as the tree size increases, testing error decreases at first since
we expect the test data to be similar to the training data, but at
a certain point, the training algorithm starts training to the
noise in the data, becoming less accurate on the testing data.
At this point we are no longer fitting the data and instead
fitting the noise in the data. This is called over fitting to the
data, in which the tree is fitted to spurious data. As the tree
grows in size, it will fit the training data perfectly and not be
of practical use for other data such as the testing set.

ผลลัพธ์ (ไทย) 1:

ลักษณะการแบ่ง และพิชิตซ้ำและความเข้ากันได้ของต้นไม้ตัดสินใจเสื่อมเนื่องจากผลผลิตจำกัดหนึ่งแอตทริบิวต์ ต้นไม้ที่สร้างขึ้นจาก datasets ตัวเลขน่าจะ เป็นซับซ้อนมากขึ้น และเมื่อฐานข้อมูลมีขนาดใหญ่เพิ่มความซับซ้อนของแผนภูมิ เปรียบเทียบกับการป่าสุ่มตัวอย่างอัลกอริทึมซับซ้อนเวลาตัดสินใจต้นไม้เพิ่มขึ้นเป็นทวีคูณเมื่อกับความสูงของต้นไม้ ดังนั้นต้นไม้ที่ตื้นมักจะ มีจำนวนใบและสูงใหญ่อัตราข้อผิดพลาดเป็นขนาดต้นไม้เพิ่ม ลดข้อผิดพลาดในการฝึกอบรม อย่างไรก็ตามเป็นต้นไม้ขนาดเพิ่ม ทดสอบข้อผิดพลาดลดลงครั้งแรกตั้งแต่เราคาดว่าข้อมูลทดสอบคล้ายกับข้อมูลการฝึกอบรม แต่ในบางจุด ฝึกอบรมเพื่อเริ่มต้นขั้นตอนวิธีการฝึกอบรมเสียงข้อมูล กลายเป็นถูกต้องน้อยกว่าข้อมูลทดสอบจุดนี้ เราจะไม่เหมาะสมข้อมูล และแทนพอดีเสียงในข้อมูล คือมากกว่าเหมาะสมกับการข้อมูล ที่ต้นจะติดตั้งข้อมูลปลอม เป็นต้นขยายขนาด มันจะพอดีกับข้อมูลการฝึกอบรม และไม่ใช้ปฏิบัติสำหรับข้อมูลอื่น ๆ เช่นชุดทดสอบ

ผลลัพธ์ (ไทย) 2:

recursive หารและพิชิตลักษณะและการทำงานร่วมกันของ
ต้นไม้ตัดสินใจเสื่อมเพราะการส่งออกจะ จำกัด เพียงหนึ่ง
แอตทริบิวต์ ต้นไม้ที่สร้างขึ้นจากชุดข้อมูลที่เป็นตัวเลขน่าจะเป็น
ที่ซับซ้อนมากขึ้นและเมื่อฐานข้อมูลที่มีขนาดใหญ่
ความซับซ้อนของการเพิ่มขึ้นของต้นไม้ ในการเปรียบเทียบกับ
อัลกอริทึมป่าสุ่มซับซ้อนเวลาของการตัดสินใจ
ต้นไม้เพิ่มขึ้นชี้แจงกับความสูงของต้นไม้ ดังนั้น
ต้นไม้ตื้นแนวโน้มที่จะมีจำนวนมากของใบและสูง
อัตราความผิดพลาด.
ขณะที่การเพิ่มขึ้นของขนาดของต้นไม้, การฝึกอบรมความผิดพลาดลดลง อย่างไรก็ตาม
ในขณะที่การเพิ่มขึ้นของขนาดของต้นไม้ทดสอบข้อผิดพลาดลดลงครั้งแรกนับตั้งแต่ที่
เราคาดว่าข้อมูลการทดสอบจะคล้ายกับข้อมูลการฝึกอบรม แต่ใน
บางจุดขั้นตอนวิธีการฝึกอบรมเริ่มต้นการฝึกอบรมเพื่อ
เสียงในข้อมูลกลายเป็นที่ถูกต้องน้อยลงใน ข้อมูลการทดสอบ.
ณ จุดนี้เราจะไม่เหมาะสมข้อมูลและแทน
การปรับเสียงในข้อมูล นี้เรียกว่ากว่าเหมาะสมกับ
ข้อมูลซึ่งในต้นไม้จะติดตั้งข้อมูลปลอม ในฐานะที่เป็นต้นไม้ที่
เติบโตขึ้นในขนาดที่มันจะพอดีกับข้อมูลการฝึกอบรมอย่างสมบูรณ์และไม่เป็น
การใช้งานจริงสำหรับข้อมูลอื่น ๆ เช่นชุดทดสอบ

ผลลัพธ์ (ไทย) 3:

วิธีการแบ่งและพิชิตลักษณะและความเข้ากันได้ของ
ต้นไม้การตัดสินใจนี้เพราะผลผลิตจำกัดหนึ่ง
คุณลักษณะ ต้นไม้ที่สร้างขึ้นจากข้อมูลตัวเลขน่าจะเป็น
ที่ซับซ้อนมากขึ้นและยังเมื่อฐานข้อมูลมีขนาดใหญ่
ความซับซ้อนของต้นไม้เพิ่มขึ้น ในการเปรียบเทียบกับ
สุ่มป่าเวลาการตัดสินใจ
ความซับซ้อนของขั้นตอนวิธีต้นไม้เพิ่มขึ้นชี้แจงกับต้นไม้สูง ดังนั้น
ต้นไม้ตื้น มักจะมีจำนวนมากของใบและอัตราความผิดพลาดสูง
.
เป็นขนาดของต้นไม้เพิ่มข้อผิดพลาดการลดลง อย่างไรก็ตาม
เป็นขนาดของต้นไม้เพิ่ม การทดสอบข้อผิดพลาดลดลงครั้งแรกนับตั้งแต่
เราคาดว่าข้อมูลการทดสอบจะคล้ายกับข้อมูลที่สอน แต่ที่
จุดหนึ่ง การเริ่มฝึก
ขั้นตอนวิธีเสียงข้อมูล กลายเป็นความถูกต้องน้อยกว่าข้อมูลการทดสอบ .
ที่จุดนี้เราจะไม่กระชับข้อมูล และแทน
ปรับเสียงข้อมูล นี้เรียกว่าเหนือกับ
ข้อมูล ซึ่งต้นไม้จะติดตั้งข้อมูลปลอม ขณะที่ต้นไม้
เติบโตในขนาดที่จะพอดีกับข้อมูลการฝึกอบรมสมบูรณ์และไม่ถูก
ใช้ในทางปฏิบัติสำหรับข้อมูลอื่น ๆเช่นการทดสอบชุด