The decision tree algorithm has bee

The decision tree algorithm has been applied to the problem
under discussion. Input to the algorithm is set of statistical features
of the eighth scale Morlet coefficients of the vibration signatures of
all the twenty four classes. It is clear that the top node is the best
node for classification. The other features in the nodes of decision
tree appear in descending order of importance. It is to be stressed here that only features that contribute to the classification appear
in the decision tree and others do not. Features, which have less
discriminating capability, can be consciously discarded by deciding
on the threshold. This concept is made use for selecting good features.
The algorithm identifies the good features for the purpose of
classification from the given training data set, and thus reduces the
domain knowledge required to select good features for pattern
classification problem. Fig. 8 shows the sample decision tree obtained
for good-dry-no load Vs GTB, GTC, and TFW-dry-no load.
Based on decision trees obtained for all twenty four classes, it
was found that statistical features like standard error, kurtosis,
sample variance and minimum value play a dominant role in feature
classification using Morlet coefficients. These four predominant
features are fed as an input to multiclass proximal support
vector machine for further classification. These features were given
as input for training and testing of classifying features using multiclass
proximal support vector machine.

ผลลัพธ์ (ไทย) 1:

มีการใช้อัลกอริทึมต้นไม้ตัดสินใจกับปัญหา
ภายใต้การสนทนา เข้ากับอัลกอริทึมเป็นตั้งของสถิติ
ของวันที่แปดขนาดสัมประสิทธิ์ Morlet ลายเซ็นสั่นสะเทือนของ
ชั้นยี่สิบสี่ทั้งหมด เป็นที่ชัดเจนว่าด้านดีที่สุด
โหนดการจัดงาน คุณลักษณะอื่น ๆ ในโหนดของตัดสินใจ
ทรีปรากฏเรียงลำดับความสำคัญ จะได้เน้นนี่ว่า เฉพาะคุณลักษณะที่เกี่ยวข้องกับการจัดประเภทปรากฏ
ทั้ง แผนภูมิและอื่น ๆ ไม่ คุณลักษณะ ซึ่งมีน้อย
ความสามารถในการรับการจำแนก สามารถสติละทิ้ง โดยตัดสินใจ
ในขีดจำกัดได้ แนวคิดนี้จะใช้สำหรับการเลือกคุณลักษณะดี.
อัลกอริทึมระบุคุณลักษณะที่ดีเพื่อ
จัดประเภทข้อมูลฝึกอบรมกำหนดตั้ง และช่วย ลดความ
ความรู้โดเมนที่ต้องเลือกรูปแบบงานดี
ปัญหาจัดประเภท Fig. 8 แสดงแผนภูมิการตัดสินใจอย่างรับ
สำหรับไม่มีแห้งดีโหลดของ GTB Vs, GTC และไม่ มีแห้ง TFW โหลด
ตามต้นไม้ตัดสินใจได้ทุกยี่สิบสี่ชั้น มัน
พบว่า คุณลักษณะทางสถิติเช่นข้อผิดพลาดมาตรฐาน เคอร์โทซิ,
ความแปรปรวนตัวอย่างและค่าต่ำสุดมีบทบาทหลักในคุณลักษณะ
จัดประเภทโดยใช้สัมประสิทธิ์ Morlet 4 เหล่านี้กัน
คุณลักษณะจะเลี้ยงเป็นการป้อนข้อมูลการสนับสนุน multiclass proximal
เครื่องเวกเตอร์สำหรับการจัดประเภทเพิ่มเติม คุณลักษณะเหล่านี้ได้รับ
เป็นอินพุตสำหรับการฝึกอบรม และการทดสอบประเภทคุณลักษณะ multiclass
เครื่องสนับสนุน proximal เวกเตอร์

ผลลัพธ์ (ไทย) 3:

ขั้นตอนวิธีต้นไม้ตัดสินใจ ได้ถูกนำมาประยุกต์ใช้กับปัญหา
ภายใต้การสนทนา ใส่เพื่อสร้างชุดของคุณลักษณะทางสถิติของระดับ 8
morlet สัมประสิทธิ์ของการสั่นสะเทือนลายเซ็นของ
ตลอดยี่สิบสี่ชั้น เป็นที่ชัดเจนว่าโหนดเป็นโหนดที่ดีที่สุด
สำหรับการจำแนกประเภท คุณสมบัติอื่น ๆในโหนดของต้นไม้ การตัดสินใจ
ปรากฏตามลำดับของความสำคัญก็จะเน้นที่คุณลักษณะเฉพาะ ที่ช่วยในการจำแนกปรากฏ
ในการตัดสินต้นไม้และคนอื่นไม่ได้ คุณลักษณะซึ่งมีน้อย
จำแนกความสามารถ สามารถรับรู้กระบวนการตัดสินใจ
บนธรณีประตู แนวคิดนี้จะใช้สำหรับการเลือกคุณลักษณะที่ดี .
ขั้นตอนวิธีการระบุคุณลักษณะที่ดีสำหรับวัตถุประสงค์ของ
การรับข้อมูลจากชุดฝึก และดังนั้นจึง ลด
ความรู้โดเมนต้องเลือกคุณสมบัติที่ดีสำหรับปัญหาการจำแนกประเภทแบบ

ภาพที่ 8 แสดงให้เห็นตัวอย่างของต้นไม้ตัดสินใจได้
ดีแห้งไม่มีโหลด VS gtb GTC , และ tfw แห้งไม่โหลด
ตามต้นไม้ การตัดสินใจได้ทุกยี่สิบสี่ชั้นเรียนก็พบว่าสถิติคุณสมบัติเช่น

ข้อผิดพลาดมาตรฐาน ความโด่งตัวอย่างการเปลี่ยนแปลง และค่าต่ำสุด มีบทบาทเด่นในการจำแนกคุณลักษณะ morlet
โดยใช้ค่าสัมประสิทธิ์ คุณสมบัติสี่โดด
เหล่านี้จะได้รับเป็นข้อมูลเพื่อสนับสนุนการทำงานแบบหลายเครื่อง
สำหรับการประมวลผลต่อไป คุณสมบัติเหล่านี้ได้รับ
เข้าสำหรับการฝึกอบรมและการทดสอบคุณสมบัติการใช้ประเภทของการทำงานสนับสนุนเครื่องเวกเตอร์หลาย