We ran two experiments. The first c

We ran two experiments. The first compares locally
weighted naive Bayes with k = 50 to standard
naive Bayes (NB) and to k-nearest neighbours with
distance weighting ( KNNDW) using k = 5, 10, 20.
Using distance weighting with k-nearest neighbours
out-performed k-nearest neighbours without distance
weighting on these datasets. We also ran locally
weighted naive Bayes with k = 30, 100. In this
experiment normal distributions were used by NB
and LWNB for numeric attributes. The second experiment
compares locally weighted naive Bayes to
standard naive Bayes, a lazy Bayesian rule learner
(LBR) ( Zheng & Webb, 2000), tree augmented naive
Bayes (TAN) (Friedman et a!., 1997) and averaged
one-dependence estimators ( AODE) (Webb et a!.,
2003). In this case, since our implementations2 of
LBR, TAN and AODE can only handle nominal attributes,
we discretized all numeric attributes using
the method of Fayyad and Irani (1993).
All accuracy estimates were obtained by averaging the
results from 10 separate runs of stratified 10-fold cross-
2 All learning algorithms used in this paper, with
the exception of TAN, are part of the freely available
Weka machine learning workbench version 3.3.6
(http:/ jwww.cs.waikato.ac.nz/ml/weka).

ผลลัพธ์ (ไทย) 1:

เราวิ่งทดลอง ครั้งแรกเปรียบเทียบในท้องถิ่นถ่วงน้ำหนักขำน่า Bayes กับ k = 50 มาตรฐานขำน่า Bayes (NB) และ k ใกล้เพื่อนด้วยน้ำหนักระยะทาง (KNNDW) ใช้ k = 5, 10, 20ใช้ระยะทางน้ำหนักกับ k ใกล้เพื่อนดำเนินการแจ้ง k ใกล้เพื่อนไม่ห่างน้ำหนักบน datasets เหล่านี้ เรายังวิ่งในท้องถิ่นถ่วงน้ำหนักขำน่า Bayes กับ k = 30, 100 ในที่นี้การกระจายปกติทดลองใช้ โดย NBและ LWNB สำหรับแอตทริบิวต์ที่เป็นตัวเลข การทดลองที่สองขำน่า Bayes ถ่วงน้ำหนักเปรียบเทียบในท้องถิ่นเพื่อขำน่ามาตรฐาน Bayes ผู้เรียนกฎทฤษฎีที่ขี้เกียจ(LBR) (เจิ้งและเวบบ์ 2000), แผนภูมิขำน่าออกเมนต์Bayes (ตาล) (ฟรีดแมนร้อยเอ็ดเป็น! ., 1997) และ averagedหนึ่งพึ่งพา estimators (AODE) (เวบบ์ร้อยเอ็ดเป็น! .,2003) ในกรณีนี้ เนื่องจาก implementations2 ของเราLBR, TAN และ AODE สามารถจัดการเฉพาะแอตทริบิวต์ที่ระบุเรา discretized คุณลักษณะตัวเลขทั้งหมดที่ใช้วิธี Fayyad และ Irani (1993)ประเมินความถูกต้องทั้งหมดได้รับ โดยหาค่าเฉลี่ยการผลลัพธ์ 10 แยกรัน stratified 10-fold ขน-2 ทั้งหมดเรียนรู้อัลกอริทึมใช้ในเอกสารนี้ มีข้อยกเว้นของตาล เป็นส่วนหนึ่งของที่มีได้อย่างอิสระเครื่อง weka รุ่นที่ปรับแต่ง 3.3.6 การเรียนรู้(http:/ www.cs.waikato.ac.nz/ml/weka เจ)

ผลลัพธ์ (ไทย) 2:

เราวิ่งสองการทดลอง เป็นครั้งแรกในประเทศเปรียบเทียบน้ำหนักเบส์ไร้เดียงสากับ k = 50 ถึงมาตรฐานไร้เดียงสาBayes (NB) และเพื่อนบ้านที่ใกล้ที่สุด k-กับน้ำหนักระยะทาง(KNNDW) โดยใช้ k = 5, 10, 20 การใช้น้ำหนักระยะทางกับประเทศเพื่อนบ้านที่ใกล้ที่สุด k-ออกดำเนินการเพื่อนบ้าน k-ที่ใกล้ที่สุดโดยไม่ต้องระยะน้ำหนักในชุดข้อมูลเหล่านี้ นอกจากนี้เรายังวิ่งในประเทศถ่วงน้ำหนักไร้เดียงสา Bayes กับ k = 30, 100 ในการนี้การแจกแจงปกติการทดลองถูกนำมาใช้โดยNB และ LWNB สำหรับแอตทริบิวต์ที่เป็นตัวเลข การทดลองที่สองเปรียบเทียบน้ำหนักในประเทศที่ไร้เดียงสา Bayes เพื่อมาตรฐานไร้เดียงสาBayes กฎคชกรรมขี้เกียจเรียน(LBR) (เจิ้งเหอและเวบบ์, 2000), ต้นไม้เติมไร้เดียงสาBayes (TAN) (ฟรีดแมนและกัน!., 1997) และเฉลี่ยการพึ่งพาอาศัยกันอย่างใดอย่างหนึ่งประมาณ (AODE) (เวบบ์เอตกัน!., 2003) ในกรณีนี้ตั้งแต่ implementations2 เราLBR, TAN และ AODE สามารถจัดการคุณลักษณะเล็กน้อยเราdiscretized คุณลักษณะที่เป็นตัวเลขทั้งหมดที่ใช้วิธีการของFayyad และอิหร่าน (1993). การประมาณการความถูกต้องทั้งหมดที่ได้จากการเฉลี่ยผลตั้งแต่วันที่ 10 วิ่งแยกต่างหากจากการแบ่งชั้น 10 เท่าข้าม 2 ขั้นตอนวิธีการเรียนรู้ทั้งหมดที่ใช้ในงานวิจัยนี้มีข้อยกเว้นของตันที่เป็นส่วนหนึ่งของที่มีอยู่ได้อย่างอิสระเครื่องWeka รุ่นปรับแต่งการเรียนรู้ 3.3.6 (http: / jwww.cs.waikato.ac.nz/ml/ weka)

ผลลัพธ์ (ไทย) 3:

เราวิ่ง 2 การทดลอง ครั้งแรกเปรียบเทียบในท้องถิ่น
ถัว Naive Bayes กับ K = 50 มาตรฐาน
Naive Bayes ( NB ) และเพื่อนบ้านละกับระยะทาง (
( knndw ) ใช้ k = 5 , 10 , 20 .
ใช้ระยะทางถ่วงด้วยละเพื่อนบ้าน
ออกมาแสดงละเพื่อนบ้านโดยไม่ระยะทาง
ดัชนีข้อมูลเหล่านี้ เรายังวิ่งในประเทศ
ถัว Naive Bayes กับ K = 30 , 100 ในนี้
การแจกแจงปกติการทดลองใช้ NB
lwnb สำหรับคุณลักษณะและตัวเลข การทดลองที่ 2 เปรียบเทียบ


เครื่องถ่วงน้ำหนัก Naive Bayes มาตรฐาน Naive Bayes คชกรรมกฎ , ขี้เกียจเรียน
( . lb ) ( เจิ้ง&เวบบ์ , 2000 ) , ต้นไม้เติมซื่อ
Bayes ( ตัน ) ( ฟรีดแมน ET ! . , 1997 ) และจากการประมาณหนึ่ง (
aode ) ( เวบบ์ ET ! .
2003 ) ในคดีนี้ เนื่องจากเรา implementations2
. lb ของ ,แทน และ aode เท่านั้นที่สามารถจัดการกับคุณลักษณะเล็กน้อย

เราแบบจุดตัวเลขทั้งหมดคุณลักษณะการใช้วิธีการฟาเยด และคนอิหร่าน ( 1993 ) .
ประเมินความถูกต้องทั้งหมดที่ได้รับโดยเฉลี่ย
ผลลัพธ์จาก 10 แยกวิ่งข้ามชั้น 10 เท่า -
2 ทุกการเรียนรู้ขั้นตอนวิธีที่ใช้ในเอกสารนี้ กับ
ข้อยกเว้นของตาล เป็นส่วนหนึ่งของที่มีอยู่
อิสระ Weka การเรียนรู้เครื่องโต๊ะรุ่น 3.3.6
( http : / jwww CS . Waikato . ac.nz / ml / Weka )