In all ve graphs in Figure 1, accu

In all ve graphs in Figure 1, accuracy peaks with
small numbers of training instances, thereafter remaining
almost constant. Surprisingly, tree size continues
to grow nearly linearly in three of the graphs. Growth
continued despite two important facts: (1) accuracy
has ceased to increase; and (2) c4.5 is pruning the
trees to avoid overtting. The graphs clearly show that
overtting is occurring, and it gets worse as the size
of the training set increases. For example, with ebp,
accuracy peaks after only 25% of the available training
instances are seen. The tree at that point contains 22
nodes. When 100% of the available training instances
are used in tree construction, the resulting tree contains
64 nodes. Despite a 3-fold increase in size over
the tree built with 25% of the data, the accuracies of
the two trees are statistically indistinguishable.

ผลลัพธ์ (ไทย) 1:

ในทั้งหมดได้กราฟในรูปที่ 1 ยอดความถูกต้องด้วยจำนวนอินสแตนซ์ฝึก หลังจากนั้นที่เหลือขนาดเล็กเกือบคง จู่ ๆ ต้นไม้ขนาดยังคงเติบโตเกือบเชิงเส้นในสามของกราฟ เจริญเติบโตอย่างต่อเนื่องแม้ มีข้อเท็จจริงสำคัญที่สอง: ความถูกต้อง (1)มีเพิ่มเพื่อเพิ่ม และ pruning c4.5 (2) การต้นไม้เพื่อหลีกเลี่ยงการผ่าน tting กราฟชัดเจนแสดงว่าช่วงเกิด tting และลมเป็นขนาดผู้ดำเนินการฝึกได้เพิ่มขึ้น ตัวอย่าง กับ ebpยอดถูกต้องหลังการฝึกมีเพียง 25%อย่างที่เห็น ต้นไม้ประกอบด้วย 22 ตัวอย่างโหน เมื่อ 100% ของอินสแตนซ์ที่มีการฝึกอบรมใช้ในการก่อสร้างแผนภูมิ แผนภูมิผลลัพธ์ประกอบด้วยโหน 64 แม้จะเพิ่ม 3-fold ในขนาดมากกว่าแผนภูมิที่สร้างขึ้นกับ 25% ของข้อมูล accuracies ของต้นไม้ทั้งสองเป็นทางสถิติจำแนกไม่ได้

ผลลัพธ์ (ไทย) 2:

ในทุก ve กราฟในรูปที่ 1 ยอดความถูกต้องที่มีขนาดเล็กจำนวนมากกรณีการฝึกอบรมที่เหลือหลังจากนั้นเกือบตลอด น่าแปลกที่ขนาดของต้นไม้อย่างต่อเนื่องที่จะเติบโตเกือบเป็นเส้นตรงในสามของกราฟ การเจริญเติบโตอย่างต่อเนื่องแม้จะมีข้อเท็จจริงที่สำคัญสอง (1) ความถูกต้องได้หยุดที่จะเพิ่มขึ้น; และ (2) มีการตัดแต่งกิ่ง C4.5 ต้นไม้ที่จะหลีกเลี่ยงในช่วงต้น กราฟแสดงให้เห็นชัดเจนว่าในช่วงต้นที่เกิดขึ้นและจะได้รับที่เลวร้ายยิ่งเป็นขนาดของชุดการฝึกอบรมเพิ่มขึ้น ตัวอย่างเช่นกับ ebp, ยอดความถูกต้องหลังจากนั้นเพียง 25% ของการฝึกอบรมที่มีกรณีจะเห็น ต้นไม้ที่จุดที่มี 22 โหนด เมื่อ 100% ของกรณีการฝึกอบรมที่มีอยู่ถูกนำมาใช้ในการก่อสร้างต้นไม้ต้นส่งผลให้มี64 โหนด แม้จะมีการเพิ่มขึ้น 3 เท่าในขนาดที่มากกว่าต้นไม้สร้างขึ้นด้วย25% ของข้อมูลความถูกต้องของต้นไม้ทั้งสองจะแยกไม่ออกทางสถิติ

ผลลัพธ์ (ไทย) 3:

ใน  ได้กราฟในรูปที่ 1 , ความถูกต้องของยอดตัวเลขขนาดเล็กของอินสแตนซ์ด้วย

ฝึก หลังจากนั้นอีกเกือบคงที่ จู่ ๆ ขนาดต้นไม้ยังโตเกือบเป็นเส้นตรง
3 ของกราฟ การเจริญเติบโต
ต่อเนื่อง แม้จะสองข้อเท็จจริงที่สำคัญ : ( 1 ) ความถูกต้อง
ได้หยุดเพิ่มขึ้น และ ( 2 ) โปรแกรม C4.5 เป็นกิ่ง
ต้นไม้ที่จะหลีกเลี่ยง  ตัด . กราฟแสดงให้เห็นชัดเจนว่า
กว่า  tting เกิดขึ้นและมันแย่ลงเป็นขนาด
ของชุดฝึกอบรมเพิ่ม ตัวอย่างเช่นกับ ebp
ความถูกต้อง , ยอดหลังจากเพียง 25% ของกรณีการฝึกอบรม
มีอยู่จะเห็น ต้นไม้ที่จุดนั้นประกอบด้วย 22
โหนด เมื่อ 100% ของอินสแตนซ์ของการฝึกอบรม
ใช้ในการสร้างต้นไม้ผล ต้นไม้ประกอบด้วย
64 โหนด แม้จะ 3-fold เพิ่มขึ้นในขนาดที่มากกว่า
ต้นไม้สร้างกับ 25% ของข้อมูลความถูกต้องของต้นไม้สองต้นเป็นข้อมูล

อก