In (Gama & Brazdil, 1999) and (Gama

In (Gama & Brazdil, 1999) and (Gama, 1999) a decision tree learner named
LTree is introduced that computes new attributes as linear, quadratic or logistic
discriminant functions of attributes at each node; these are then also passed
down the tree. The leaf nodes are still basically majority classifiers, although the
class probability distributions on the path from the root are taken into account
via smoothing techniques. Results indicate that this offers significant improvements,
comparable to that by Stacking, while retaining some comprehensibility

ผลลัพธ์ (ไทย) 1:

ใน (กามา & Brazdil, 1999) และ (กามา 1999) ผู้เรียนต้นไม้ตัดสินใจเป็นชื่อLTree เป็นที่รู้จักที่จะแอตทริบิวต์ใหม่เป็นเชิงเส้น กำลังสอง หรือลอจิสติกฟังก์ชัน discriminant ของแอททริบิวต์ในแต่ละโหน เหล่านี้อยู่แล้วยังผ่านลงในแผนภูมิ ใบโหนดมียังโดยทั่วไปคำนามภาษาส่วนใหญ่ แต่พิจารณาถึงการกระจายความน่าเป็นชั้นบนเส้นทางจากรากทางราบเรียบเทคนิค ผลลัพธ์บ่งชี้ว่า นี้มีการปรับปรุงที่สำคัญเทียบได้กับที่ โดย Stacking ยังคง comprehensibility บาง

ผลลัพธ์ (ไทย) 2:

ใน (กามาและ Brazdil 1999) และ (กามา, 1999) เรียนรู้ต้นไม้ตัดสินใจชื่อ
LTree
ถูกนำมาคำนวณว่าคุณลักษณะใหม่เป็นเชิงเส้นกำลังสองหรือโลจิสติกฟังก์ชั่นการจำแนกคุณลักษณะที่แต่ละโหนด;
เหล่านี้จะถูกส่งผ่านไปแล้วนอกจากนี้ยังมีต้นไม้ โหนดใบยังคงส่วนใหญ่โดยทั่วไปแยกแยะแม้ว่าการแจกแจงความน่าจะเป็นระดับบนเส้นทางจากรากจะถูกนำเข้าบัญชีผ่านทางเทคนิคที่ปรับให้เรียบ ผลการศึกษาพบว่ามีการปรับปรุงอย่างมีนัยสำคัญเทียบเท่ากับที่โดยซ้อนขณะที่การรักษาความเข้าใจบางอย่าง

ผลลัพธ์ (ไทย) 3:

( กามา& brazdil , 1999 ) และ ( กามา , 1999 ) โครงสร้างการตัดสินใจเรียน ชื่อ
ltree จะแนะนำคุณลักษณะใหม่ที่คำนวณเป็นเชิงเส้นกำลังสอง หรือโลจิสติก
ฟังก์ชันจำแนกคุณลักษณะที่แต่ละโหนด ; เหล่านี้จะยังผ่าน
ลงต้นไม้ ใบโหนดยังเป็นพื้นที่มีเสียงข้างมาก แม้ว่า
คลาสการแจกแจงความน่าจะเป็นบนเส้นทางจากรากจะเข้าบัญชีเรียบ
ผ่านเทคนิค ผลการวิจัย พบว่า มีการปรับปรุงสำคัญ
กับโดยซ้อน ในขณะที่การรักษาบางความเข้าใจ