5.1.4. Data discretization/normaliz

5.1.4. Data discretization/normalization
In this step, we determined the class label and attribute. In this case, the class attribute was the programming
course for all students who took any programming course, and since the data set we got had a small number of
records, we used two categories, binary class labels, which were good/bad: good for A+, A, B+, and B values and
bad for C+, C, D, and D+. Table 3 shows an example of the dataset used.

ผลลัพธ์ (ไทย) 1:

5.1.4 ข้อมูล discretization/ฟื้นฟูในขั้นตอนนี้ เรากำหนดป้ายชื่อคลาและแอตทริบิวต์ ในกรณีนี้ แอตทริบิวต์ของคลาสที่ถูกเขียนโปรแกรมหลักสูตร สำหรับนักเรียนที่เอาหลักสูตรเขียนโปรแกรมใด ๆ และชุดข้อมูลที่เราได้มีจำนวนน้อยระเบียน เราใช้สองประเภท ไบนารีชั้นป้าย ที่ดี/ไม่ดี: ดี A + A, B + และ B ค่า และดีสำหรับ C + C, D และ D + ตารางที่ 3 แสดงตัวอย่างของชุดข้อมูลที่ใช้

ผลลัพธ์ (ไทย) 2:

5.1.4 เนื่องข้อมูล / การฟื้นฟู
ในขั้นตอนนี้เราพิจารณาฉลากชั้นเรียนและแอตทริบิวต์ ในกรณีนี้แอตทริบิวต์ชั้นเรียนคือการเขียนโปรแกรม
การเรียนการสอนสำหรับนักเรียนทุกคนที่เข้ามามีหลักสูตรการเขียนโปรแกรมใด ๆ และตั้งแต่ชุดข้อมูลที่เราได้มีจำนวนเล็ก ๆ ของ
บันทึกที่เราใช้สองประเภทป้ายระดับไบนารีซึ่งดี / เสีย: ดี สำหรับ A +, A, B +, B และค่านิยมและ
ไม่ดีสำหรับ C +, C, D และ D + ตารางที่ 3 แสดงตัวอย่างของชุดข้อมูลที่ใช้

ผลลัพธ์ (ไทย) 3:

5.1.4 . ค่าข้อมูลการฟื้นฟูในขั้นตอนนี้ เราตั้งใจเรียนป้ายชื่อและคุณลักษณะ ในกรณีนี้ , คลาสแอตทริบิวต์เป็นโปรแกรมหลักสูตรสำหรับนักเรียนที่เรียนวิชาการเขียนโปรแกรมใด ๆ และเนื่องจากข้อมูลชุดเราก็มีจำนวนน้อยประวัติ เราใช้สองประเภท , ป้ายคลาสไบนารีซึ่งถูกดี / ไม่ดี : ดี A + , A , B + , B ค่า และไม่ดีสำหรับ C + + , C , D และ D + ตารางที่ 3 แสดงตัวอย่างของข้อมูลที่ใช้