In general, multiple attributes nee

In general, multiple attributes need to be considered for classification. Then,
finding p(d|c j ) exactly is difficult, since it requires the distribution of instances
of c j , across all combinations of values for the attributes used for classification.
The number of such combinations (for example of income buckets, with degree
values and other attributes) can be very large.With a limited training set used to
find the distribution, most combinations would not have even a single training
set matching them, leading to incorrect classification decisions.

ผลลัพธ์ (ไทย) 1:

โดยทั่วไปคุณสมบัติหลายจะต้องพิจารณาการจัดหมวดหมู่ แล้ว
หา p (d | CJ) ว่าเป็นเรื่องยากเพราะมันต้องมีการกระจายตัวของอินสแตนซ์
จาก CJ ข้ามรวมทั้งหมดของค่าสำหรับคุณสมบัติที่ใช้สำหรับการจัดหมวดหมู่
จำนวนของชุดดังกล่าว (เช่นรายได้จากถัง. ด้วยค่า
องศาและคุณสมบัติอื่น ๆ ) จะมีขนาดใหญ่มากด้วยการฝึกอบรมจำนวน จำกัด ชุดที่ใช้ในการหาการกระจาย
ผสมส่วนใหญ่จะไม่ได้แม้กระทั่งการฝึกอบรมเดียว
ตั้งที่ตรงกับพวกเขาที่นำไปสู่​​การตัดสินใจในการจัดหมวดหมู่ไม่ถูกต้อง

ผลลัพธ์ (ไทย) 2:

ทั่วไป หลายแอตทริบิวต์ต้องการเป็นการจัด แล้ว,
หา p (เจ d|c) ว่าเป็นเรื่องยาก เพราะต้องการกระจายของอินสแตนซ์
ของ j c ทั้งชุดทั้งหมดของค่าแอตทริบิวต์ที่ใช้สำหรับจัดประเภท
เลขชุดดังกล่าว (ตัวอย่างของกลุ่มรายได้ กับปริญญา
ค่าและคุณลักษณะอื่น ๆ) สามารถมีขนาดใหญ่มากได้ด้วยชุดฝึกอบรมจำกัดใช้
การกระจาย การค้นหาชุดส่วนใหญ่จะไม่มีแม้แต่การฝึก
ตั้งจับคู่ นำไปสู่การตัดสินใจจัดประเภทไม่ถูกต้อง

ผลลัพธ์ (ไทย) 3:

โดยทั่วไปแอตทริบิวต์หลายคนต้องได้รับการพิจารณาให้ได้รับการแบ่ง ประเภท จากนั้น,
การค้นหา P ( D | C J )เป็นยากมากเนื่องจากต้องมีการกระจายของกรณี
ของเมอร์เซเดส - เบนซ์ C j ,ทั้งหมดในการรวมตัวกันของค่าสำหรับแอตทริบิวต์ที่ใช้สำหรับการแบ่ง ประเภท .
ที่จำนวนของการใช้ร่วมกัน(ตัวอย่างเช่นของรายได้ใช้ถังด้วย
ค่าและแอตทริบิวต์อื่นๆ)มีขนาดใหญ่มากด้วยชุดการฝึกอบรมจำกัด(มหาชน)ที่ใช้ในการค้นหาการกระจาย
ซึ่งจะช่วยให้การรวมตัวกันมากที่สุดจะไม่มีแม้แต่ที่เดียวการฝึกอบรม
ซึ่งจะช่วยให้ตั้งค่าที่ตรงกันนำไปสู่การตัดสินใจการจำแนก ประเภท ไม่ถูกต้อง