Multiple classifiers consist of set

Multiple classifiers consist of sets of sub-classifiers, whose individual predictions are combined to classify new objects.
These approaches attract an interest of researchers as they can outperform single classifiers on wide range of classification problems. This paper presents an experimental study of using the rule induction algorithm MODLEM in the multiple classifier scheme called combiner, which is a specific meta learning approach to aggregate answers of component classifiers. Our experimental results show that the improvement of predictive accuracy depends on the independence of errors made by the base classifiers. Moreover, we summarise our experience with using MODLEM as component in other multiple classifiers, namely bagging and n2-classifiers.

ผลลัพธ์ (ไทย) 1:

คำนามภาษาหลายที่ประกอบด้วยชุดของคำนามภาษาย่อย การคาดคะเนแต่ละที่จะรวมกันเพื่อจัดประเภทวัตถุใหม่วิธีการเหล่านี้ดึงดูดความสนใจของนักวิจัย ตามที่พวกเขาสามารถดีกว่าเดียวคำนามภาษาที่หลากหลายของปัญหาประเภท เอกสารนี้นำเสนอการศึกษาทดลองการใช้กฎการเหนี่ยวนำขั้นตอนวิธี MODLEM ในลักษณนามหลายแผนรวม ซึ่งเป็นวิธีการเรียนรู้เมตาเฉพาะการรวมคำตอบของคำนามภาษาคอมโพเนนต์ ที่เรียกว่า ผลการทดลองของเราแสดงว่า การปรับปรุงความแม่นยำการทำนายขึ้นอยู่กับความเป็นอิสระของข้อผิดพลาดที่ทำ โดยคำหลักภาษาพื้นฐาน นอกจากนี้ เราสรุปประสบการณ์ของเรากับการใช้ MODLEM เป็นคอมโพเนนต์ในคำหลักภาษาอื่น ๆ หลาย คือ บรรจุถุงและ n2 คำหลักภาษา

ผลลัพธ์ (ไทย) 2:

ลักษณนามหลายประกอบด้วยชุดย่อยลักษณนามซึ่งมีการคาดการณ์ของแต่ละบุคคลจะรวมกันเพื่อแบ่งประเภทวัตถุใหม่.
วิธีการเหล่านี้ดึงดูดความสนใจของนักวิจัยที่พวกเขาสามารถมีประสิทธิภาพสูงกว่าลักษณนามเดียวบนหลากหลายปัญหาการจัดหมวดหมู่ บทความนี้นำเสนอการศึกษาทดลองของการใช้อัลกอริทึม MODLEM กฎการเหนี่ยวนำในโครงการหลายลักษณนามเรียก combiner ซึ่งเป็นวิธีการเรียนรู้ meta ที่เฉพาะเจาะจงเพื่อรวบรวมคำตอบลักษณนามส่วนประกอบ ผลการทดลองของเราแสดงให้เห็นว่าการปรับปรุงความถูกต้องของการทำนายจะขึ้นอยู่กับความเป็นอิสระของข้อผิดพลาดที่ทำโดยลักษณนามฐาน นอกจากนี้เราสรุปประสบการณ์ของเรากับการใช้ MODLEM เป็นส่วนประกอบในการจําแนกหลายอื่น ๆ คือการใส่ถุงและ N2-ลักษณนาม

ผลลัพธ์ (ไทย) 3:

หลายคำ ประกอบด้วยชุดย่อยแต่ละคำที่คาดคะเนจะรวมกันเพื่อแบ่งประเภทวัตถุใหม่วิธีเหล่านี้ดึงดูดความสนใจของนักวิจัย ตามที่พวกเขาสามารถมีประสิทธิภาพสูงกว่าตัวจำแนกเดี่ยวในช่วงกว้างของปัญหาการจำแนก บทความนี้นำเสนอการศึกษาทดลองใช้กฎการเหนี่ยวนำของ modlem ในแบบหลายรูปแบบเรียกรวมกัน ซึ่งเป็นวิธีการเรียนรู้เฉพาะ meta รวมคำตอบของคำส่วนประกอบ ผลของเราแสดงให้เห็นว่าการปรับปรุงความแม่นยำในการทำนายขึ้นอยู่กับความเป็นอิสระของข้อผิดพลาดที่ทำโดยพื้นฐาน คือ นอกจากนี้ เราสรุปประสบการณ์ของเรากับการใช้ modlem เป็นส่วนประกอบในคำอื่น ๆหลาย ได้แก่ ถุงและ N2 ลักษณนาม