AbstractThis paper analyzes experim

Abstract
This paper analyzes experimentally discretization algorithms for handling continuous
attributes in evolutionary learning. We consider a learning system that
induces a set of rules in a fragment of first-order logic (Evolutionary Inductive
Logic Programming), and introduce a method where a given discretization
algorithm is used to generate initial inequalities, which describe subranges of attributes’
values. Mutation operators exploiting information on the class label of
the examples (supervised discretization) are used during the learning process for
refining inequalities. The evolutionary learning system is used as a platform for
testing experimentally four algorithms: two variants of the proposed method,
a popular supervised discretization algorithm applied prior to induction, and a
discretization method which does not use information on the class labels of the
examples (unsupervised discretization). Results of experiments conducted on
artificial and real life datasets suggest that the proposed method provides an
effective and robust technique for handling continuous attributes by means of
inequalities.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อกระดาษนี้วิเคราะห์ experimentally discretization อัลกอริทึมสำหรับการจัดการอย่างต่อเนื่องแอตทริบิวต์วิวัฒนาการการเรียนรู้ เราพิจารณาระบบการเรียนรู้ที่ก่อให้เกิดชุดของกฎในส่วนของตรรกะลำดับแรก (วิวัฒนาการเชิงอุปนัยการโปรแกรมตรรกะ), และแนะนำวิธี discretization กำหนดอัลกอริทึมจะใช้เพื่อสร้างการเริ่มต้นความเหลื่อมล้ำทาง ซึ่งอธิบาย subranges ของแอตทริบิวต์ค่า ตัวดำเนินการกลายพันธุ์ exploiting ข้อมูลบนฉลากประเภทของตัวอย่าง (มี discretization) จะใช้ในระหว่างกระบวนการเรียนรู้ปรับความเหลื่อมล้ำทาง ใช้ระบบเรียนรู้วิวัฒนาการเป็นทดสอบ experimentally 4 อัลกอริทึม: ตัวแปรที่สองของวิธีการนำเสนออัลกอริทึม discretization ยอดนิยมมีใช้ก่อนที่จะเหนี่ยวนำ และวิธีการ discretization ซึ่งใช้ข้อมูลบนป้ายชื่อประเภทของ การตัวอย่าง (unsupervised discretization) ผลการทดลองดำเนินการในชีวิตจริง และเทียม datasets แนะนำวิธีการนำเสนอให้เป็นมีประสิทธิภาพ และแข็งแกร่งเทคนิคสำหรับแอตทริบิวต์อย่างต่อเนื่องโดยวิธีของความเหลื่อมล้ำทางการ

ผลลัพธ์ (ไทย) 2:

บทคัดย่อบทความนี้วิเคราะห์ขั้นตอนวิธีการทดลองต่อเนื่องสำหรับการจัดการอย่างต่อเนื่องคุณลักษณะในการเรียนรู้วิวัฒนาการ เราพิจารณาระบบการเรียนรู้ที่ก่อให้เกิดชุดของกฎในส่วนของตรรกะแรกสั่งซื้อ(วิวัฒนาการอุปนัยลอจิกการเขียนโปรแกรม) และแนะนำวิธีการที่ไม่ต่อเนื่องที่กำหนดขั้นตอนวิธีการที่ใช้ในการสร้างความไม่เท่าเทียมกันครั้งแรกที่อธิบาย subranges ของคุณลักษณะ 'ค่า ผู้ประกอบการใช้ประโยชน์จากการกลายพันธุ์ข้อมูลบนฉลากระดับของตัวอย่าง (ต่อเนื่องภายใต้การดูแล) จะถูกนำมาใช้ในกระบวนการเรียนรู้เพื่อความไม่เท่าเทียมกันการกลั่น ระบบการเรียนรู้วิวัฒนาการถูกนำมาใช้เป็นแพลตฟอร์มสำหรับการทดสอบทดลองสี่ขั้นตอนวิธีการ: สองสายพันธุ์ของวิธีการที่นำเสนอขั้นตอนวิธีการต่อเนื่องภายใต้การดูแลที่นิยมนำมาใช้ก่อนที่จะเหนี่ยวนำและวิธีการที่ไม่ต่อเนื่องซึ่งจะไม่ใช้ข้อมูลบนฉลากระดับของตัวอย่าง(ใกล้ชิด ไม่ต่อเนื่อง) ผลการทดลองดำเนินการในชุดข้อมูลชีวิตจริงเทียมและชี้ให้เห็นว่าวิธีการที่เสนอให้เป็นเทคนิคที่มีประสิทธิภาพและมีประสิทธิภาพในการจัดการคุณลักษณะอย่างต่อเนื่องโดยวิธีการของความไม่เท่าเทียมกัน

ผลลัพธ์ (ไทย) 3:

บทคัดย่อการศึกษานี้วิเคราะห์ขั้นตอนวิธีหาค่า

ในการเรียนรู้ในการจัดการคุณลักษณะอย่างต่อเนื่องวิวัฒนาการ เราพิจารณาระบบการเรียนรู้
ก่อให้เกิดชุดของกฎในส่วนของตรรกะลำดับแรก ( วิวัฒนาการการเขียนโปรแกรมตรรกะอุปนัย
) , และแนะนำวิธีที่ระบุขั้นตอนวิธีค่า
ถูกใช้เพื่อสร้างอสมการเริ่มต้นซึ่งอธิบายถึงคุณลักษณะของ subranges '
ค่า การใช้ข้อมูลในชั้นเรียนผู้ประกอบการป้าย
ตัวอย่าง ( ดูแลค่า ) จะใช้ในการเรียนรู้
อสมการการกลั่น ระบบการเรียนรู้การใช้เป็นแพลตฟอร์มสำหรับการทดสอบโดยอัลกอริทึม :
4 สองสายพันธุ์ของวิธีการที่เสนอ
การประยุกต์ขั้นตอนวิธีที่นิยมค่าก่อนที่จะเหนี่ยวนำ และวิธีการ
ค่าซึ่งไม่ได้ใช้ข้อมูลบนฉลากของชั้น
ตัวอย่าง ( unsupervised ค่า ) การทดลองในชีวิตจริงและเทียม
ข้อมูลแนะนำ วิธีที่เสนอให้มีประสิทธิภาพและมีประสิทธิภาพเทคนิคการจัดการ

อย่างต่อเนื่องโดยวิธีการของแอตทริบิวต์
อสมการ