While decision tree may be transfor

While decision tree may be transformed to nested if-then-elses,
but this is not very apparent or as straight forward as rules from SARG
Hence, results from both SARG and
decision tree enable characteristics of CCPs to be extracted, this is where neural network classifier cannot. SARG
has its drawbacks nevertheless, from computational perspective, SARG takes longer time to process, in this study to
generate a classifier. In practice, this drawback is not so critical, as once a classifier is implemented, it can be applied
in further cases.

ผลลัพธ์ (ไทย) 1:

ในขณะที่ต้นไม้การตัดสินใจอาจถูกแปลงไปซ้อนถ้าแล้วอื่นแต่ไม่ชัดมาก หรือว่าตรงไปเป็นกฎจาก SARG ดังนั้น ผลจาก SARG ทั้งสอง และต้นไม้ตัดสินใจเปิดใช้งานลักษณะของ CCPs จะถูกแยก นี้เป็นที่ไม่สามารถจำแนกเครือข่ายประสาท SARGมีข้อเสียอย่างไรก็ตาม จากมุมมองเชิงคำนวณ SARG ใช้เวลานานกว่าการประมวลผล ในการศึกษานี้จะสร้างเป็นลักษณนาม ในทางปฏิบัติ คืนนี้ไม่เป็นสำคัญดังนั้น เมื่อนำมาใช้เป็นลักษณนาม มันสามารถใช้ได้ในกรณีเพิ่มเติม

ผลลัพธ์ (ไทย) 2:

ในขณะที่ต้นไม้ตัดสินใจอาจจะถูกเปลี่ยนเป็นซ้อน IF-แล้ว elses,
แต่ไม่ชัดเจนหรือเป็นตรงไปตรงมาเป็นกฎจาก SARG
ดังนั้นผลที่ได้จากทั้ง SARG และ
ต้นไม้ตัดสินใจเปิดใช้งานลักษณะของ CCPs ที่จะสกัดนี้เป็นเครือข่ายที่ประสาท ลักษณนามไม่สามารถ SARG
มีข้อบกพร่องของ แต่จากมุมมองของการคำนวณ SARG ต้องใช้เวลานานในการดำเนินการในการศึกษานี้เพื่อ
สร้างลักษณนาม ในทางปฏิบัติข้อเสียเปรียบนี้ไม่สำคัญดังนั้นที่ครั้งหนึ่งเคยเป็นลักษณนามจะดำเนินการก็สามารถนำมาใช้
ในกรณีต่อไป

ผลลัพธ์ (ไทย) 3:

ขณะที่ต้นไม้ การตัดสินใจอาจจะเปลี่ยนไปอยู่ถ้า elsesแต่นี่มันไม่โจ่งแจ้งมากหรือเป็นตรงไปตรงมาเป็นกฎจากซาร์กดังนั้น ผลลัพธ์ที่ได้จากทั้งสองและซาร์กการตัดสินใจใช้ลักษณะของต้นไม้ที่ต้องถูกสกัด ซึ่งเป็นโครงข่ายประสาทเทียมแบบที่ไม่สามารถ ซาร์กมีข้อเสียแต่จากมุมมองทางการคำนวณ ซาร์กใช้เวลานานกระบวนการในการศึกษานี้สร้างลักษณนาม ในการปฏิบัติ งานนี้ไม่สําคัญ , เช่นเมื่อลักษณนามใช้ มันสามารถประยุกต์ในคดีต่อไป