161 records were randomly selected

161 records were randomly selected as experimental data to be used for this step. In other words, all 161 selected records were used for training the tree and making the model.

In this step, each of the 17 selected trees in the former step was examined by inputting the experimental data and measuring their accuracy. Because the accuracy of three trees, whose target variable was ‘performance evaluation’ had significantly declined, those trees as well as the ‘performance evaluation’ variable were eliminated before entering the rule creation step. The accuracy levels for the eliminated trees are as show in Table 5.

Therefore the number of selected models for creating rules was reduced to 14. Considering that the models and the rules generated by CART (Ordered) and CART (Towing) algorithms were identical, only one of these was chosen. The test results of the algorithms are presented in Table 6.

It can be concluded that the ‘promotion score’ variable and CART algorithm have resulted in the highest accuracy. This occurred whilst the ‘performance evaluation’ variable was not observed in any of the final models and the models built based on that had resulted in a high error level.

Create rules

After the final selection of trees, rules and trees need to be created. The purpose of creating rules is to evaluate each

ผลลัพธ์ (ไทย) 1:

สุ่ม 161 ระเบียนถูกเลือกเป็นข้อมูลทดลองใช้สำหรับขั้นตอนนี้ ในคำอื่น ๆ ใช้สำหรับฝึกต้น และทำแบบจำลองการเลือกระเบียนทั้งหมด 161

ในขั้นตอนนี้ แต่ละต้นเลือก 17 ในขั้นตอนเดิมถูกตรวจสอบ โดยเพียงลงข้อมูลทดลอง และวัดความถูกต้องของการ เนื่องจากความถูกต้องของต้นไม้สาม ตัวแปรที่มีเป้าหมายเป็น 'ประเมินประสิทธิภาพ' ได้อย่างมีนัยสำคัญปฏิเสธ ต้นไม้เหล่านั้นเป็นตัวแปร 'ประเมินประสิทธิภาพ' ถูกตัดก่อนเข้าขั้นตอนการสร้างกฎ ระดับความถูกต้องสำหรับต้นไม้ตัดออกมีดังแสดงในตาราง 5.

ดังนั้นหมายเลขของแบบจำลองที่เลือกสำหรับการสร้างกฎถูกลดไป 14 พิจารณาว่า รูปแบบและกฎที่สร้างขึ้น โดยรถเข็น (สั่ง) และรถเข็น (Towing) อัลกอริทึมเหมือนกัน เพียงหนึ่งเหล่านี้มีการเลือก ผลการทดสอบของอัลกอริทึมจะแสดงในตาราง 6.

มันสามารถสรุปได้ที่ 'โปรโมชั่นคะแนน' แปรและอัลกอริทึมของรถทำให้ความแม่นยำสูงสุดได้ นี้เกิดขึ้นในขณะที่ตัวแปร 'ประเมินประสิทธิภาพ' ไม่ได้ถูกตรวจสอบในรุ่นสุดท้ายและแบบจำลองที่สร้างขึ้นตามที่มีผลในความผิดพลาดสูงระดับ

สร้างกฎ

หลังจากที่เลือกสุดท้ายของต้นไม้ กฎและต้นไม้ต้องสร้าง วัตถุประสงค์ของการสร้างกฎจะประเมินแต่ละ

ผลลัพธ์ (ไทย) 2:

161 บันทึกได้รับการสุ่มเลือกเป็นข้อมูลการทดลองที่จะใช้สำหรับขั้นตอนนี้ ในคำอื่น ๆ ทุกระเบียนที่เลือก 161 ถูกนำมาใช้สำหรับการฝึกอบรมต้นไม้และการทำแบบจำลองในขั้นตอนนี้แต่ละคนเลือกต้นไม้ที่ 17 ในขั้นตอนที่อดีตถูกตรวจสอบโดยป้อนข้อมูลการทดลองและการวัดความถูกต้องของพวกเขา เพราะความถูกต้องของสามต้นซึ่งมีเป้าหมายตัวแปรคือ 'การประเมินผลงาน' ได้ลดลงอย่างมีนัยสำคัญต้นไม้เหล่านั้นได้เป็นอย่างดีในฐานะของการประเมินผลงาน 'ตัวแปรถูกตัดออกก่อนที่จะเข้าขั้นตอนการสร้างกฎ ระดับความถูกต้องสำหรับต้นไม้ที่ตัดออกเป็นที่แสดงในตารางที่ 5 ดังนั้นจำนวนของรูปแบบที่เลือกสำหรับการสร้างกฎระเบียบที่ลดลงถึง 14 พิจารณาว่ารูปแบบและกฎระเบียบที่สร้างขึ้นโดยรถเข็น (สั่ง) และรถเข็น (ลากจูง) ขั้นตอนวิธีการเหมือนกันเพียงหนึ่งในจำนวนนี้ได้รับการแต่งตั้ง ผลการทดสอบของอัลกอริทึมที่นำเสนอในตารางที่ 6 จะสามารถสรุปได้ว่า 'คะแนนโปรโมชั่น' ตัวแปรและขั้นตอนวิธีการรถเข็นมีผลในความถูกต้องสูงสุด เรื่องนี้เกิดขึ้นในขณะที่ 'การประเมินผลงาน' ตัวแปรไม่ได้ถูกตั้งข้อสังเกตในที่ใด ๆ ของรุ่นสุดท้ายและรุ่นที่สร้างขึ้นบนพื้นฐานที่ได้ผลในระดับที่สูงผิดพลาดสร้างกฎหลังจากเลือกสุดท้ายของต้นไม้กฎและต้นไม้ที่ต้องถูกสร้างขึ้น วัตถุประสงค์ในการสร้างกฎระเบียบในการประเมินแต่ละ

ผลลัพธ์ (ไทย) 3:

เป็นบันทึกสุ่มเป็นข้อมูลที่จะใช้สำหรับขั้นตอนนี้ ในคำอื่น ๆที่เป็นบันทึกใช้สำหรับการฝึกอบรมต้นไม้และสร้างแบบจำลอง

ในขั้นตอนนี้แต่ละ 17 เลือกต้นไม้ในขั้นตอนก่อนถูกตรวจสอบโดยการป้อนข้อมูลและการวัดความถูกต้องของพวกเขา เพราะความถูกต้อง 3 ต้นไม้ซึ่งตัวแปรเป้าหมายการประเมินผลการปฏิบัติงานของอย่างมีนัยสำคัญลดลงต้นไม้เหล่านั้น รวมทั้งการประเมินประสิทธิภาพตัวแปร ' ' ถูกตัดออกก่อนเข้าสู่การสร้างกฎ ขั้นตอน ความถูกต้องระดับสำหรับตัดต้นไม้ดังแสดงในตารางที่ 5 .

ดังนั้นจำนวนรุ่นที่เลือกสำหรับการสร้างกฎ ก็ลดลงถึง 14พิจารณาว่ารูปแบบและกฎที่สร้างขึ้นโดยรถเข็น ( สั่ง ) และรถเข็น ( ลากจูง ) ขั้นตอนวิธีมีเหมือนกันเพียงหนึ่งของเหล่านี้ถูกเลือก ผลการทดสอบของอัลกอริทึมที่นำเสนอตาราง 6 .

สรุปได้ว่าตัวแปร ' คะแนน ' ส่งเสริมและขั้นตอนวิธีรถเข็นมีผลในความถูกต้องสูงสุดเหตุการณ์นี้เกิดขึ้นขณะที่ ' ประเมิน ' ตัวแปรการปฏิบัติไม่พบในใด ๆของรุ่นสุดท้ายและรุ่นที่สร้างขึ้นบนพื้นฐานที่ได้ผลในระดับความผิดพลาดสูง

สร้างกฎ

หลังจากเลือกในขั้นสุดท้ายของต้นไม้ , กฎและต้นไม้จะต้องมีการสร้าง วัตถุประสงค์ของการสร้างกฎเพื่อประเมินแต่ละ