A least absolute deviation (LAD) is

A least absolute deviation (LAD) is used to find the error criterion to obtain regression trees. Logical analysis of data is one other classification method proposed in optimization literature. In LAD a classifier is build based on learning a logical expression. LAD is binary classifier and hence can distinguish between positive and negative samples. The basic assumption of LAD model is that a binary point covered by some positive patterns, but not covered by any negative pattern is positive, and similarly, a binary point covered by some negative patterns, but not covered by positive pattern is negative. For a given data set LAD model constructs large set patterns and selects subset of them which satisfies the above assumption such that each pattern in the model satisfies certain requirement in terms of prevalence and homogeneity. Logical Analysis of Data (LAD) tree is the classifier for binary target variable based on learning a logical expression that can distinguish between positive and negative samples in a data set. The central concept in LAD tree algorithm is that of classification, clustering, and other problems. The construction of LAD model for a given data
set typically involves the generation of large set patterns and the selection of a subset of them that satisfies the above assumption such that each pattern in the model satisfies certain requirements in terms of prevalence and homogeneity. LADTree is a class for generating a multiclass alternating decision tree using logistics strategy. LADTree produces a multi- class LADTree. It has the capability to have more than two class inputs. It performs additive logistic regression using the Logistics Strategy

ผลลัพธ์ (ไทย) 1:

ส่วนเบี่ยงเบนสัมบูรณ์น้อย (ลาดพร้าว) ใช้ค้นหาเงื่อนไขข้อผิดพลาดเพื่อให้ได้ต้นไม้ถดถอย การวิเคราะห์ข้อมูลตรรกะเป็นหนึ่งในวิธีการจัดประเภทอื่น ๆ นำเสนอในวรรณคดีเพิ่มประสิทธิภาพ ในลาด classifier ที่ถูกสร้างตามเรียนรู้นิพจน์ตรรกะ ลาดเป็น classifier ไบนารี และดังนั้นจึง สามารถแยกระหว่างตัวอย่างค่าบวก และค่าลบ สมมติฐานพื้นฐานรุ่นลาดคือ จุดฐานครอบคลุมรูปแบบบวกบาง แต่ไม่ครอบคลุมทุกรูปแบบลบเป็นบวก และในทำนองเดียวกัน จุดฐานครอบคลุมรูปแบบลบบาง แต่ไม่รวมอยู่ในรูปแบบค่าบวกเป็นค่าลบ สำหรับชุดข้อมูลกำหนดลาดพร้าว รุ่นสร้างรูปแบบกำหนดขนาดใหญ่ และเลือกชุดย่อยของพวกเขาซึ่งตรงตามสมมติฐานข้างต้นให้แต่ละรูปแบบในแบบตรงบางความชุกและ homogeneity แผนภูมิการวิเคราะห์ของข้อมูล (ลาดพร้าว) ตรรกะเป็น classifier ตัวแปรฐานสองเป้าหมายตามนิพจน์เชิงตรรกะที่สามารถแยกความแตกต่างระหว่างตัวอย่างการบวก และลบในชุดข้อมูล การเรียนรู้ แนวคิดกลางในลาดต้นไม้อัลกอริทึมเป็นของประเภท คลัสเตอร์ และปัญหาอื่น ๆ ก่อสร้างรุ่นลาดสำหรับข้อมูลที่กำหนดชุดปกติเกี่ยวข้องกับการสร้างรูปแบบกำหนดขนาดใหญ่และการเลือกชุดย่อยของพวกเขาที่เป็นไปตามสมมติฐานข้างต้นให้แต่ละรูปแบบในแบบตรงบางความชุกและ homogeneity LADTree เป็นชั้นสร้างเป็น multiclass สลับต้นไม้การตัดสินใจใช้กลยุทธ์โลจิสติกส์ LADTree สร้าง LADTree หลายชั้น มีความสามารถมีมากกว่าสองชั้นอินพุต ดำเนินการถดถอยโลจิสติกที่สามารถใช้กลยุทธ์ด้านโลจิสติกส์

ผลลัพธ์ (ไทย) 2:

น้อยเบี่ยงเบนแน่นอน (หนุ่ม) ถูกนำมาใช้เพื่อหาข้อผิดพลาดเกณฑ์ที่จะได้รับต้นไม้ถดถอย การวิเคราะห์เชิงเหตุผลของข้อมูลที่เป็นหนึ่งในวิธีการจัดหมวดหมู่อื่น ๆ ที่นำเสนอในวรรณคดีการเพิ่มประสิทธิภาพ ใน LAD ลักษณนามคือการสร้างอยู่บนพื้นฐานของการเรียนรู้การแสดงออกตรรกะ หนุ่มเป็นลักษณนามไบนารีและจึงสามารถแยกแยะความแตกต่างระหว่างกลุ่มตัวอย่างในเชิงบวกและเชิงลบ สมมติฐานพื้นฐานของรูปแบบหนุ่มคือจุดไบนารีปกคลุมด้วยรูปแบบเชิงบวกบางส่วน แต่ไม่ได้ครอบคลุมโดยรูปแบบเชิงลบใด ๆ ที่เป็นบวกและในทำนองเดียวกันจุดไบนารีปกคลุมด้วยรูปแบบเชิงลบบางอย่าง แต่ไม่ได้รับการคุ้มครองโดยรูปแบบที่เป็นบวกเป็นลบ สำหรับข้อมูลที่ได้รับการตั้งค่ารูปแบบ LAD สร้างรูปแบบชุดใหญ่และเลือกย่อยของพวกเขาซึ่งสอดคล้องกับสมมติฐานข้างต้นเช่นว่ารูปแบบในแต่ละรูปแบบการตอบสนองความต้องการบางอย่างในแง่ของความชุกและความสม่ำเสมอ การวิเคราะห์เชิงเหตุผลของข้อมูล (หนุ่ม) ต้นไม้เป็นลักษณนามตัวแปรเป้าหมายไบนารีอยู่บนพื้นฐานของการเรียนรู้การแสดงออกตรรกะที่สามารถแยกแยะความแตกต่างระหว่างกลุ่มตัวอย่างในเชิงบวกและเชิงลบในชุดข้อมูล แนวคิดสำคัญในการอัลกอริทึมต้นไม้หนุ่มเป็นที่ของการจัดหมวดหมู่การจัดกลุ่มและปัญหาอื่น ๆ การก่อสร้างรูปแบบ LAD สำหรับข้อมูลที่ได้รับ
การตั้งค่ามักจะเกี่ยวข้องกับการสร้างรูปแบบชุดใหญ่และการเลือกย่อยของพวกเขาที่สอดคล้องกับสมมติฐานดังกล่าวข้างต้นว่ารูปแบบในแต่ละรูปแบบการตอบสนองความต้องการบางอย่างในแง่ของความชุกและความสม่ำเสมอ LADTree เป็นชั้นสำหรับการสร้างการตัดสินใจสลับ multiclass ต้นไม้ใช้กลยุทธ์โลจิสติก LADTree ผลิต LADTree หลายชั้น มันมีความสามารถที่จะมีมากกว่าสองปัจจัยชั้น จะดำเนินการเติมแต่งถดถอยโลจิสติโดยใช้กลยุทธ์โลจิสติก

ผลลัพธ์ (ไทย) 3:

การเบี่ยงเบนสัมบูรณ์น้อยที่สุด ( หนุ่ม ) เพื่อใช้ในการหาข้อผิดพลาดเกณฑ์ที่จะได้รับการถดถอยต้นไม้ การวิเคราะห์เชิงตรรกะของข้อมูลอื่น ๆ หนึ่งในวรรณคดีหมวดหมู่วิธีการเสนอการเพิ่มประสิทธิภาพ ในน้องตัวถูกสร้างบนพื้นฐานการเรียนรู้ นิพจน์ตรรกะ เด็กที่เป็นแบบไบนารีและจึงสามารถแยกความแตกต่างระหว่างตัวอย่างเชิงบวกและเชิงลบสมมติฐานพื้นฐานของรุ่นหนุ่มที่ครอบคลุมรูปแบบไบนารีจุด บวกบาง แต่ไม่ครอบคลุมรูปแบบเชิงลบใด ๆที่เป็นบวก และในทำนองเดียวกัน ไบนารีจุดครอบคลุมรูปแบบเชิงลบบางอย่าง แต่ไม่ครอบคลุม โดยรูปแบบเป็นบวกเป็นลบให้ข้อมูลชุดแบบโครงสร้างขนาดใหญ่และเลือกชุดรูปแบบเด็กย่อยของพวกเขาซึ่งตรงตามสมมติฐานข้างต้น เช่น แต่ละลายในรูปแบบใดตรงกับความต้องการบางอย่างในแง่ของความชุกและความสม่ำเสมอ .การวิเคราะห์เชิงตรรกะของข้อมูล ( หนุ่ม ) ต้นไม้เป็นส่วนขยายสำหรับเลขฐานสองตัวแปรตามเป้าหมายการเรียนรู้ นิพจน์ตรรกะที่สามารถแยกความแตกต่างระหว่างตัวอย่างบวกและลบในชุดข้อมูล แนวคิดหลักในเด็กที่ต้นไม้ขั้นตอนวิธีการแบ่งกลุ่ม และปัญหาอื่น ๆ การก่อสร้างของรุ่นหนุ่มให้ข้อมูล
ชุดมักจะเกี่ยวข้องกับรุ่นของรูปแบบการตั้งค่าขนาดใหญ่และการเลือกบางส่วนของพวกเขาที่ตรงตามสมมติฐานข้างต้น เช่น แต่ละลายในรูปแบบใดตรงกับความต้องการบางอย่างในแง่ของความชุกและความสม่ำเสมอ . ladtree เป็นชั้นสำหรับการสร้างหลายสลับต้นไม้ การตัดสินใจใช้กลยุทธ์โลจิสติกส์ ladtree ผลิตหลายชั้น ladtree .มันมีความสามารถที่จะมีมากกว่า 2 ชั้นข้อมูล มันมีประสิทธิภาพเพิ่มการถดถอยแบบโลจิสติก กลยุทธ์