Evaluation We evaluated decision tr

Evaluation We evaluated decision trees using their success rate, measured as the ratio of correctly classified methods to the total number of methods [16]. We found that decision trees could predict high or low coverage with success rates of 82% to 94%. When evaluating decision trees (or, indeed, any machine learning classifier), one must partition the data set into two disjoint subsets: one for training and the other for testing. Cross-validation repeats the train-test process for several divisions and reports the average success rate.

ผลลัพธ์ (ไทย) 1:

ประเมินเราประเมินต้นไม้ตัดสินใจใช้อัตราความสำเร็จของพวกเขา วัดเป็นอัตราส่วนของจำนวนวิธี [16] วิธีลับอย่างถูกต้อง เราพบว่า ต้นไม้ตัดสินใจสามารถคาดการณ์ความครอบคลุมสูง หรือต่ำ มีอัตราความสำเร็จของ 82% ถึง 94% เมื่อประเมินต้นไม้ตัดสินใจ (หรือ แน่นอน ใด ๆ เครื่องเรียน classifier), หนึ่งต้องแบ่งพาร์ติชันชุดข้อมูลเป็นชุดย่อยตัวที่สอง: หนึ่งสำหรับฝึกอบรมและอื่น ๆ สำหรับการทดสอบ ระหว่างตรวจสอบซ้ำการทดสอบรถไฟสำหรับหน่วยงานต่าง ๆ และรายงานอัตราเฉลี่ย

ผลลัพธ์ (ไทย) 2:

เราประเมินการประเมินผลการตัดสินใจของต้นไม้โดยใช้อัตราความสำเร็จของพวกเขาวัดเป็นอัตราส่วนของวิธีการจัดอย่างถูกต้องกับจำนวนของวิธีการ [16] เราพบว่าการตัดสินใจต้นไม้สามารถทำนายความคุ้มครองที่สูงหรือต่ำที่มีอัตราความสำเร็จของ 82% ถึง 94% เมื่อประเมินต้นไม้การตัดสินใจ (หรือจริงลักษณนามการเรียนรู้เครื่องใด ๆ ) หนึ่งต้องแบ่งพาร์ติชันข้อมูลที่กำหนดออกเป็นสองส่วนย่อยทำเคล็ดหนึ่งสำหรับการฝึกอบรมและอื่น ๆ สำหรับการทดสอบ การตรวจสอบซ้ำข้ามขั้นตอนการทดสอบรถไฟหลายหน่วยงานและรายงานอัตราความสำเร็จเฉลี่ย

ผลลัพธ์ (ไทย) 3:

การประเมินผลการตัดสินใจโดยใช้ต้นไม้เราประเมินอัตราความสำเร็จของพวกเขาวัดเป็นอัตราส่วนของการจัดอย่างถูกต้องวิธีการจํานวนวิธี [ 16 ] เราพบว่าต้นไม้การตัดสินใจสามารถทำนายสูงหรือต่ำครอบคลุมกับความสำเร็จของ 82 ถึง 94 % เมื่อประเมินการตัดสินใจต้นไม้ ( หรือ แท้ เครื่องใดเรียนรู้ลักษณนาม ) , หนึ่งจะต้องแบ่งชุดข้อมูลเป็น 2 ส่วนย่อยยู่ :สำหรับการฝึกอบรมและอื่น ๆเพื่อการทดสอบ ข้ามการตรวจสอบซ้ำกระบวนการทดสอบรถไฟสำหรับหน่วยงานต่างๆ และรายงานอัตราความสำเร็จโดยเฉลี่ย