All the learners used were part of

All the learners used were part of the MLC++ [11] package1
apart from the complex Bayesian learner which was
part of the Hugin tool2, the Hugin tool was also used to run
the expert constructed BN.
The diVerent models do not all provide the same sort of
prediction. The MC4 and KNN learners usually give a prediction
in the form of an unqualiWed value from the possible
range of values. BNs do not make predictions in the
same format as the MC4 or KNN learners. Rather than
supply a simple answer they supply a probability for each
of the possible outcomes. This allows for a greater sensitivity
of prediction; the BN not only makes a prediction, but is
also able to provide some idea of conWdence in the prediction.
To make a direct comparison with the learners we had
to interpret the BN prediction as a deWnite result (win, lose,
or draw). Our approach was to choose the result with the
highest predicted probability, irrespective of how close two
or more results might be. In cases where two or more of the
outcomes of the BN were equally likely we deemed that the
prediction was incorrect (even if the actual result was one
of the two most likely). This approach clearly treats BNs
harshly in the analysis. In reality, a prediction involving
equal (or nearly equal) probabilities would be useful. For

ผลลัพธ์ (ไทย) 1:

ผู้เรียนทั้งหมดที่ใช้ได้เป็นส่วนหนึ่งของ package1 MLC ++ [11]นอกจากเรียนทฤษฎีซับซ้อนซึ่งส่วนของ tool2 Hugin, Hugin ยังใช้เครื่องมือการทำงานผู้เชี่ยวชาญสร้าง BN.รุ่น diVerent ไม่มีเดียวจัดเรียงของคาดเดา เรียน MC4 และ KNN มักให้การคาดการณ์ในรูปแบบของค่า unqualiWed จากสุดช่วงของค่า BNs ทำการคาดคะเนในการรูปเดียวเป็นผู้เรียน MC4 หรือ KNN Rather กว่าจัดหาคำตอบอย่างที่พวกเขาจัดหาความน่าเป็นสำหรับแต่ละผลลัพธ์ที่ได้ นี้ช่วยให้ความไวมากขึ้นของการคาดการณ์ พันไม่เพียงทำให้การคาดการณ์ แต่เป็นนอกจากนี้ยังสามารถให้ความคิดบางอย่างของ conWdence ในการคาดเดาเพื่อทำให้เปรียบเทียบโดยตรงกับผู้เรียนที่มีแปลทำนายพันเป็นผล deWnite (ชนะ สูญ เสียหรือวาด) วิธีของเราคือการ เลือกที่ผลกับการสูงสุดคาดการณ์ความน่าเป็น ไม่ว่าวิธีปิดสองหรืออาจจะผลลัพธ์เพิ่มเติม ในกรณีที่สอง หรือหลายผลของการพันมีโอกาสเท่า ๆ กันเราถือว่าที่นี้คาดเดาไม่ถูกต้อง (แม้ว่าผลเกิดขึ้นจริงเป็นหนึ่งสองมัก) วิธีการนี้จะชัดเจน BNsอย่างหนักในการวิเคราะห์ ในความเป็นจริง การคาดการณ์ที่เกี่ยวข้องกับกิจกรรมเท่า (หรือเกือบเท่า) จะเป็นประโยชน์ สำหรับ

ผลลัพธ์ (ไทย) 2:

ผู้เรียนทุกคนที่ใช้เป็นส่วนหนึ่งของแอลซี ++ [11] PACKAGE1
นอกเหนือจากการเรียนแบบเบย์ที่มีความซับซ้อนซึ่งเป็น
ส่วนหนึ่งของ tool2 Hugin เครื่องมือ Hugin ยังถูกใช้ในการทำงาน
ผู้เชี่ยวชาญด้านการสร้าง BN
รุ่น diVerent ไม่ทั้งหมดให้เรียงกัน ของ
การทำนาย MC4 และ KNN ผู้เรียนมักจะให้คำทำนาย
ในรูปแบบของค่า unqualiWed จากที่เป็นไปได้
ช่วงของค่า BNs ไม่ทำให้การคาดการณ์ใน
รูปแบบเช่นเดียว MC4 หรือเรียน KNN มากกว่าการ
จัดหาคำตอบง่ายๆที่พวกเขาจัดหาความน่าจะเป็นสำหรับแต่ละ
ของผลลัพธ์ที่เป็นไปได้ ซึ่งช่วยให้ความไวมากขึ้น
ของการทำนาย; BN ไม่เพียง แต่ทำให้การคาดการณ์ แต่ก็
ยังสามารถที่จะให้ความคิดของ conWdence บางอย่างในการคาดการณ์
ที่จะทำให้การเปรียบเทียบโดยตรงกับผู้เรียนที่เรามี
การตีความคำทำนาย BN เป็นผล deWnite (ชนะแพ้
หรือวาด) วิธีการของเราคือการเลือกผลที่มีความ
น่าจะเป็นสูงสุดที่คาดการณ์ไว้โดยไม่คำนึงถึงวิธีการปิดสอง
ผลหรือมากกว่านั้นอาจจะมี ในกรณีที่สองหรือมากกว่าของ
ผลที่ได้จาก BN มีโอกาสเท่าเทียมกันเราเห็นว่า
การคาดการณ์ไม่ถูกต้อง (แม้ว่าผลที่เกิดขึ้นจริงเป็นหนึ่ง
ในสองส่วนใหญ่) วิธีการนี้อย่างชัดเจนถือว่า BNs
อย่างรุนแรงในการวิเคราะห์ ในความเป็นจริงการคาดการณ์ที่เกี่ยวข้องกับ
ความเท่าเทียมกัน (หรือเกือบเท่ากัน) ความน่าจะเป็นประโยชน์ สำหรับ

ผลลัพธ์ (ไทย) 3:

ทั้งหมดที่ผู้เรียนใช้เป็นส่วนหนึ่งของ MLC [ 11 ] package1
นอกจากที่ซับซ้อนแบบผู้เรียนซึ่งเป็นส่วนหนึ่งของ hugin
tool2 , hugin เครื่องมือถูกใช้เพื่อเรียกใช้

นางแบบผู้เชี่ยวชาญสร้างเช่นกัน diverent ไม่ทั้งหมดให้เรียงลำดับเดียวกันของ
พยากรณ์ การ mc4 และผู้เรียน knn มักจะให้คำทำนาย
ในรูปแบบของ unqualiwed ค่าจากช่วงที่สุด
ของค่าBNS ไม่ทำให้การคาดการณ์ใน
รูปแบบเดียวกับ mc4 หรือผู้เรียน knn . มากกว่า
จัดหาง่ายตอบพวกเขาจ่ายสำหรับแต่ละ
ความน่าจะเป็นของผลลัพธ์ที่เป็นไปได้ นี้จะช่วยให้เพิ่มความไวของค่า %
; ไม่เพียง แต่ทำให้การคาดการณ์ แต่เป็น
ยังสามารถให้ความคิดบางอย่างของ conwdence ในการทำนาย .
ที่จะทำให้การเปรียบเทียบโดยตรงกับผู้เรียนเรามี
การตีความซึ่งเป็น dewnite ทำนายผลชนะ แพ้ หรือ เสมอ
) แนวทางของเราคือต้องเลือกผลที่มี
ทำนายความน่าจะเป็นสูงสุดโดยไม่คำนึงถึงวิธีการปิดสอง
หรือมากกว่าผลลัพธ์ที่อาจจะ ในกรณีที่สองหรือมากกว่าของ
ผลลัพธ์ของ BN กันมาก เราเห็นว่า
ทำนายไม่ถูกต้อง ( แม้ว่าผลที่เกิดขึ้นจริงคือหนึ่ง
ของทั้งสองมากที่สุด )วิธีการนี้อย่างชัดเจนถือว่า BNS
อย่างรุนแรงในการวิเคราะห์ ในความเป็นจริง คำทำนายที่เกี่ยวข้องกับ
เท่ากับ ( หรือเกือบเท่ากัน ) อาจจะเป็นประโยชน์ สำหรับ