A supervised learning algorithm rec

A supervised learning algorithm receives a set of labeled
training examples, each with a feature vector
and a class. The presence of irrelevant or redundant
features in the feature set can often hurt the accuracy
of the induced classifier (John et al., 1994). Feature
selection, the process of selecting a feature subset
from the training examples and ignoring features
not in this set during induction and classification, is
an effective way to improve the performance and decrease
the training time of a supervised learning algorithm.
Feature selection typically improves classifier
performance when the training set is small without
significantly degrading performance on large training
sets (Hall, 1999). It is also useful in making the induced
concept more comprehensible to humans, since
concepts that make use of many features are hard to
understand. Feature selection is sometimes essential
to the success of a learning algorithm. For example,
Kushmerick (1999) points out that it is not feasible to
use a nearest-neighbors algorithm on the Internet Advertisements
dataset (described later) because of the
overabundance of features. Feature selection can reduce
the number of features to the extent that such
an algorithm can be applied.

ผลลัพธ์ (ไทย) 1:

การเรียนรู้ที่มีอัลกอริทึมได้รับชุดของป้ายตัวอย่างการฝึกอบรม มีเวกเตอร์คุณลักษณะและชั้นเรียน ก็ซ้ำซ้อน หรือไม่เกี่ยวข้องในชุดคุณลักษณะสามารถมักจะทำร้ายความถูกต้องของ classifier อาจจะ (จอห์นเอ็ด al., 1994) ลักษณะการทำงานการเลือก การเลือกคุณลักษณะย่อยจากตัวอย่างการฝึกอบรมและคุณสมบัติที่สองในชุดนี้ระหว่างการเหนี่ยวนำและการจัดประเภท ไม่วิธีมีประสิทธิภาพเพื่อปรับปรุงประสิทธิภาพ และลดเวลาการฝึกอบรมของอัลกอริทึมการเรียนรู้ที่มีเลือกคุณลักษณะโดยทั่วไปปรับปรุง classifierประสิทธิภาพเมื่อเล็กโดยชุดฝึกอบรมลดประสิทธิภาพการฝึกอบรมขนาดใหญ่อย่างมีนัยสำคัญชุด (ฮอลล์ 1999) ก็ยังมีประโยชน์ในการทำการเหนี่ยวนำให้comprehensible ขึ้นกับมนุษย์ แนวคิดเนื่องจากแนวคิดที่ใช้หลายลักษณะการทำงานยากเข้าใจ เลือกคุณลักษณะบางครั้งเป็นสิ่งจำเป็นความสำเร็จของอัลกอริทึมการเรียนรู้ ตัวอย่างKushmerick (1999) ชี้ให้เห็นว่า ไม่สามารถใช้อัลกอริทึมที่ใกล้บ้านโฆษณาอินเทอร์เน็ตชุดข้อมูล (อธิบายต่อไป) เนื่องจากการoverabundance ของ เลือกคุณลักษณะสามารถลดจำนวนของระดับที่ดังกล่าวสามารถใช้อัลกอริทึมการ

ผลลัพธ์ (ไทย) 2:

อัลกอริทึมการเรียนรู้ภายใต้การดูแลได้รับชุดของที่มีข้อความตัวอย่างการฝึกอบรมแต่ละคนมีเวกเตอร์คุณลักษณะและชั้นเรียน การปรากฏตัวของที่ไม่เกี่ยวข้องหรือซ้ำซ้อนคุณสมบัติในชุดคุณลักษณะที่สามารถมักจะทำร้ายความถูกต้องของลักษณนามเทพ(จอห์น et al., 1994) คุณสมบัติการเลือกกระบวนการของการเลือกเซตคุณลักษณะจากตัวอย่างการฝึกอบรมและคุณสมบัติไม่สนใจไม่ได้อยู่ในชุดนี้ในระหว่างการเหนี่ยวนำและการจำแนกเป็นวิธีที่มีประสิทธิภาพในการปรับปรุงประสิทธิภาพการทำงานและลดเวลาการฝึกอบรมของอัลกอริทึมการเรียนรู้ภายใต้การดูแล. เลือกคุณสมบัติโดยทั่วไปแล้วจะช่วยเพิ่มการจําแนกประสิทธิภาพการทำงานเมื่อชุดการฝึกอบรมที่มีขนาดเล็กโดยไม่ต้องประสิทธิภาพการย่อยสลายอย่างมีนัยสำคัญในการฝึกอบรมที่มีขนาดใหญ่ชุด(ฮอลล์, 1999) นอกจากนี้ยังเป็นประโยชน์ในการเหนี่ยวนำให้เกิดแนวความคิดที่เข้าใจมากขึ้นกับมนุษย์ตั้งแต่แนวความคิดที่จะใช้ประโยชน์จากคุณสมบัติหลายอย่างยากที่จะเข้าใจ การเลือกคุณลักษณะบางครั้งเป็นสิ่งสำคัญต่อความสำเร็จของขั้นตอนวิธีการเรียนรู้ ยกตัวอย่างเช่นKushmerick (1999) ชี้ให้เห็นว่ามันไม่ได้เป็นไปได้ที่จะใช้อัลกอริทึมที่ใกล้ที่สุด-เพื่อนบ้านในการโฆษณาทางอินเทอร์เน็ตชุดข้อมูล(อธิบายในภายหลัง) เพราะoverabundance ของคุณสมบัติ เลือกคุณสมบัติสามารถลดจำนวนของคุณสมบัติที่มีขอบเขตที่เกิดขั้นตอนวิธีสามารถนำมาใช้

ผลลัพธ์ (ไทย) 3:

อัลกอริทึมการเรียนรู้ภายใต้การดูแล ได้รับชุดของป้าย
ตัวอย่างการฝึกอบรมแต่ละคุณลักษณะเวกเตอร์
และเรียน มีความเกี่ยวข้องหรือมากเกินไป
คุณสมบัติในชุดคุณลักษณะที่สามารถทำร้ายความถูกต้อง
ของการเหนี่ยวนำลักษณนาม ( จอห์น et al . , 1994 ) การเลือกคุณลักษณะ
, กระบวนการของการเลือกคุณลักษณะย่อย
จากการฝึกอบรมและคุณสมบัติ
ตัวอย่างไม่สนใจไม่ได้อยู่ในชุดนี้ในการเหนี่ยวนำการเป็น
เป็นวิธีที่มีประสิทธิภาพเพื่อเพิ่มประสิทธิภาพและลดเวลาในการฝึก

เรียนขั้นตอนวิธีการเลือกคุณลักษณะโดยทั่วไปช่วยเพิ่มประสิทธิภาพของตัว
เมื่อชุดฝึกอบรมมีขนาดเล็กไม่มีประสิทธิภาพอย่างมากในการสลาย

ชุดใหญ่ ( Hall , 1999 ) นอกจากนี้ยังเป็นประโยชน์ในการกระตุ้น
แนวคิดเพิ่มเติมเข้าใจมนุษย์ ตั้งแต่
แนวคิดที่ให้ใช้คุณลักษณะหลายอย่างยาก

เข้าใจ การเลือกคุณลักษณะบางครั้งจำเป็น
เพื่อความสําเร็จของการเรียนรู้ขั้นตอนวิธี ตัวอย่างเช่น
kushmerick ( 1999 ) ชี้ให้เห็นว่าเป็นไปไม่ได้

ใช้ขั้นตอนวิธีการเพื่อนบ้านที่ใกล้ที่สุดบนอินเทอร์เน็ตข้อมูล ( โฆษณา

อธิบายในภายหลัง ) เนื่องจาก overabundance ของคุณสมบัติการเลือกคุณลักษณะสามารถลด
จํานวนคุณลักษณะในขอบเขตที่ดังกล่าว
อัลกอริทึมสามารถประยุกต์