analyzing the dataset in [1]. Tanag

analyzing the dataset in [1]. Tanagra tool is used to classify the
data and the data is evaluated using 10-fold cross validation and
the results are compared. Tanagra is a data mining suite build
around graphical user interface algorithms. The main purpose of
Tanagra project is to give researchers and students an easy-to-use
data mining software, and allowing to analyze either real or
synthetic data. Tanagra is powerful system that contains
clustering, supervised learning, meta supervised learning, feature
selection, data visualization supervised learning assessment,
statistics, feature selection and construction algorithms. Decision
Tree is a popular classifier which is simple and easy to
implement. It requires no domain knowledge or parameter setting
and can handle high dimensional data. The results obtained from
Decision Trees are easier to read and interpret. The drill through
feature to access detailed patients‟ profiles is only available in
Decision Trees. Naïve Bayes is a statistical classifier which
assumes no dependency between attributes. It attempts to
maximize the posterior probability in determining the class. The
advantage of using naive bayes is that one can work with the naive
Bayes model without using any Bayesian methods. Naive Bayes
classifiers have works well in many complex real-world situations.
The k-nearest neighbor„s algorithm (k-NN) is a method for
classifying objects based on closest training data in the feature
space. k-NN is a type of instance-based learning. The k-nearest
neighbor algorithm is amongst the simplest of all machine learning
algorithms. But the accuracy of the k-NN algorithm can be
severely degraded by the presence of noisy or irrelevant features,
or if the feature scales are not consistent with their importance.
The experiment is performed using training data set consists of
3000 instances with 14 different attributes. The dataset is divided
into two parts that is 70% of the data are used for training and
30% are used for testing. Based on the experimental results shown
in Table 1, it is clear that the classification accuracy of Naive
Bayes algorithm is better compared to other algorithms.

ผลลัพธ์ (ไทย) 1:

การวิเคราะห์ชุดข้อมูลใน [1] ใช้เครื่องมือ Tanagra ในการจัดประเภทการข้อมูลและข้อมูลจะถูกประเมินโดยใช้ตรวจสอบไขว้ 10-fold และผลลัพธ์มีการเปรียบเทียบ Tanagra เป็นข้อมูลการทำเหมืองแร่สร้างทรอบอินเตอร์เฟซผู้ใช้แบบกราฟิกอัลกอริทึม วัตถุประสงค์หลักของโครงการ Tanagra เป็นนักวิจัยและนักศึกษาง่ายต่อการใช้ข้อมูลซอฟต์แวร์การทำเหมืองแร่ และช่วยในการวิเคราะห์จริงอย่างใดอย่างหนึ่ง หรือสังเคราะห์ข้อมูล Tanagra เป็นระบบที่มีประสิทธิภาพที่ประกอบด้วยคลัสเตอร์ แบบมีผู้สอนการเรียนรู้ meta แบบมีผู้สอนการเรียน คุณลักษณะเลือก นำเสนอภาพข้อมูลแบบมีผู้สอนประเมินผลการเรียนรู้สถิติ คุณสมบัติการเลือกและสร้างอัลกอริทึม การตัดสินใจแผนภูมิเป็น classifier นิยมซึ่งง่าย และสะดวกในการใช้ ต้องไม่รู้โดเมนหรือการตั้งค่าพารามิเตอร์และสามารถจัดการกับข้อมูลมิติสูง ผลได้รับจากต้นไม้การตัดสินใจง่ายต่อการอ่าน และตีความ เจาะผ่านคุณลักษณะการเข้าถึงโพรไฟล์ patients‟ รายละเอียดจะมีต้นไม้การตัดสินใจ Bayes ขำน่าเป็น classifier สถิติที่สมมติไม่ขึ้นต่อกันระหว่างแอททริบิวต์ มันพยายามเพิ่มความน่าเป็นหลังในการกำหนดชั้น ที่ประโยชน์ของการใช้ bayes ขำน่าเป็นสามารถทำงานกับการขำน่ารุ่น Bayes โดยวิธีทฤษฎีใด ๆ Naive Bayesคำนามภาษาได้ทำงานในสถานการณ์จริงที่ซับซ้อนมากเคใกล้ใกล้เคียง "อัลกอริทึม s (k-NN) คือ วิธีการประเภทวัตถุที่ยึดตามข้อมูลฝึกอบรมสุดในคุณลักษณะพื้นที่ เอ็นเอ็นเคเป็นชนิดตามตัวอย่าง เคใกล้เป็นบ้านอัลกอริทึมหนึ่งที่ง่ายที่สุดของการเรียนรู้ของเครื่องทั้งหมดอัลกอริทึมการ แต่ความถูกต้องของอัลกอริทึมเอ็นเอ็นเคเสื่อมโทรมอย่างรุนแรง โดยสถานะของเสียงดัง หรือความเกี่ยวข้องหรือ ถ้าระดับคุณลักษณะไม่สอดคล้องกับความสำคัญดำเนินการทดลองโดยใช้ชุดข้อมูลฝึกอบรมประกอบด้วยอินสแตนซ์ที่ 3000 มีแอททริบิวต์ต่าง ๆ 14 มีแบ่งชุดข้อมูลเป็นสองส่วน 70% ของข้อมูลที่ใช้สำหรับการฝึกอบรม และ30% จะใช้สำหรับการทดสอบ ตามผลการทดลองแสดงในตารางที่ 1 เป็นล้างที่ถูกต้องประเภทของ NaiveBayes อัลกอริทึมจะดีขึ้นเมื่อเทียบกับอัลกอริทึมอื่น ๆ

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์ชุดข้อมูลใน [1] เครื่องมือร้าจะใช้ในการจำแนกข้อมูลและข้อมูลที่ได้รับการประเมินโดยใช้การตรวจสอบ 10 เท่าข้ามและผลลัพธ์ที่จะเปรียบเทียบ ร้าคือการทำเหมืองข้อมูลชุดสร้างรอบอินเตอร์เฟซผู้ใช้แบบกราฟิกขั้นตอนวิธีการ วัตถุประสงค์หลักของโครงการร้าคือการให้นักวิจัยและนักศึกษาที่ง่ายต่อการใช้งานซอฟแวร์การทำเหมืองข้อมูลและช่วยให้การวิเคราะห์อย่างใดอย่างหนึ่งจริงหรือข้อมูลที่สังเคราะห์ ร้าเป็นระบบที่มีประสิทธิภาพที่มีการจัดกลุ่มดูแลการเรียนรู้การเรียนรู้ภายใต้การดูแล meta คุณลักษณะการเลือกการแสดงข้อมูลกำกับดูแลการประเมินการเรียนรู้สถิติการเลือกคุณลักษณะและขั้นตอนวิธีการก่อสร้าง การตัดสินใจต้นไม้เป็นลักษณนามนิยมซึ่งเป็นที่เรียบง่ายและง่ายต่อการใช้ มันต้องมีความรู้โดเมนหรือการตั้งค่าพารามิเตอร์และสามารถจัดการกับข้อมูลมิติสูง ผลที่ได้จากต้นไม้การตัดสินใจที่ง่ายต่อการอ่านและแปลความหมาย เจาะผ่านคุณสมบัติในการเข้าถึงผู้ป่วยรายละเอียด"รูปแบบจะใช้ได้เฉพาะในต้นไม้การตัดสินใจ ไร้เดียงสา Bayes ลักษณนามเป็นสถิติซึ่งถือว่าการพึ่งพาระหว่างคุณลักษณะไม่มี ก็พยายามที่จะเพิ่มความน่าจะเป็นหลังในการพิจารณาในชั้นเรียน ประโยชน์ของการใช้ Bayes ไร้เดียงสาเป็นที่หนึ่งสามารถทำงานร่วมกับไร้เดียงสารูปแบบเบส์โดยไม่ต้องใช้วิธีการแบบเบย์ใดๆ หน่อมแน้มเบส์จําแนกมีผลงานที่ดีในหลายซับซ้อนสถานการณ์จริงของโลก. K-เพื่อนบ้านที่ใกล้ที่สุด "ของอัลกอริทึม (k-NN) เป็นวิธีการแบ่งประเภทของวัตถุบนพื้นฐานของข้อมูลที่ใกล้เคียงที่สุดในการฝึกอบรมคุณลักษณะพื้นที่ k-NN เป็นประเภทของการเรียนรู้เช่นตาม K-ที่ใกล้ที่สุดขั้นตอนวิธีเพื่อนบ้านเป็นหนึ่งในที่ง่ายที่สุดของทุกการเรียนรู้เครื่องอัลกอริทึม แต่ความถูกต้องของขั้นตอนวิธี k-NN สามารถเสื่อมโทรมอย่างรุนแรงจากการมีคุณสมบัติที่มีเสียงดังหรือไม่เกี่ยวข้อง, หรือถ้าเครื่องชั่งคุณสมบัติไม่สอดคล้องกับความสำคัญของพวกเขา. การทดลองจะดำเนินการโดยใช้ข้อมูลชุดการฝึกอบรมประกอบด้วย3000 กรณีที่มี 14 คุณลักษณะที่แตกต่างกัน . ชุดข้อมูลจะถูกแบ่งออกเป็นสองส่วนที่เป็น 70% ของข้อมูลที่ใช้สำหรับการฝึกอบรมและ 30% จะใช้สำหรับการทดสอบ ขึ้นอยู่กับผลการทดลองแสดงให้เห็นในตารางที่ 1 ก็เป็นที่ชัดเจนว่าการจำแนกประเภทของความถูกต้องไร้เดียงสาวิธีเบส์จะดีกว่าเมื่อเทียบกับขั้นตอนวิธีการอื่นๆ

ผลลัพธ์ (ไทย) 3:

การวิเคราะห์ข้อมูลใน [ 1 ] tanagra เครื่องมือที่ใช้แยก
และข้อมูลจะถูกประเมินโดยใช้ 10 โฟลด
ผลและเปรียบเทียบ tanagra เป็นข้อมูลชุดเหมืองแร่สร้าง
รอบส่วนติดต่อผู้ใช้แบบกราฟิกอัลกอริทึม วัตถุประสงค์หลักของโครงการ tanagra
ให้นักวิจัยและนักศึกษาที่ง่ายต่อการใช้ซอฟต์แวร์
การทำเหมืองข้อมูลและอนุญาตให้วิเคราะห์ไม่ว่าจะจริงหรือ
ข้อมูลสังเคราะห์ tanagra เป็นระบบที่มีประสิทธิภาพที่ประกอบด้วย
การจัดกลุ่มดูแลการเรียนรู้เมตาการเรียนรู้แบบมีผู้สอน การคัดเลือกคุณลักษณะ
, การแสดงข้อมูลการเรียนรู้แบบ Supervised Learning การประเมิน
สถิติ , คุณสมบัติการเลือกและการสร้างอัลกอริธึม การตัดสินใจแบบต้นไม้
เป็นที่นิยมส่วนขยายซึ่งเป็นเรื่องง่ายและใช้งานง่าย

ใช้ . มันต้องใช้ความรู้โดเมนไม่ หรือ การตั้งค่าพารามิเตอร์
และสามารถจัดการกับข้อมูลมิติสูง ผลลัพธ์ที่ได้จาก
ต้นไม้การตัดสินใจ ง่ายต่อการอ่านและแปลความหมาย เจาะผ่านคุณลักษณะการเข้าถึงของผู้ป่วย‟

ต้นไม้โปรไฟล์จะใช้ได้เฉพาะในการตัดสินใจ นาไตได้ Bayes ลักษณนามทางสถิติซึ่ง
ถือว่าไม่มีการพึ่งพาระหว่างแอตทริบิวต์ มันพยายามที่จะ
เพิ่มความน่าจะเป็นภายหลังการสอน
ประโยชน์ของการใช้ Naive Bayes เป็นที่หนึ่งสามารถทำงานกับรุ่น
Bayes ไร้เดียงสาโดยไม่ต้องใช้แบบวิธี ไร้เดียงสา Bayes ลักษณนามได้
ทำงานได้ดีในสถานการณ์จริงที่ซับซ้อนมาก „
s ( k-nn ขั้นตอนวิธีการเพื่อนบ้านใกล้ที่สุด ) เป็นวิธีการจำแนกประเภทวัตถุตามใกล้

ข้อมูลการฝึกอบรมในลักษณะพื้นที่ k-nn เป็นชนิดของอินสแตนซ์จากการเรียน ที่ละ
ขั้นตอนวิธีการเพื่อนบ้านอยู่ในหมู่ที่ง่ายที่สุดของทุกการเรียนรู้เครื่อง
อัลกอริธึม แต่ความถูกต้องของ k-nn อัลกอริทึมสามารถ
เสื่อมโทรมอย่างรุนแรงโดยมีลักษณะเสียงดังหรือที่ไม่เกี่ยวข้อง ,
หรือถ้าคุณลักษณะเครื่องชั่งไม่สอดคล้องกับความสำคัญของพวกเขา .
ทดลองโดยใช้การฝึกอบรมชุดข้อมูลประกอบด้วย
กรณี 3000 ที่มีคุณลักษณะที่แตกต่างกัน 14 ข้อมูลจะแบ่ง
ออกเป็นสองส่วนคือ 70% ของข้อมูลที่ใช้สำหรับการฝึกอบรมและ
30% ใช้สำหรับการทดสอบ ตามผลที่แสดงในตารางที่ 1
, เป็นที่ชัดเจนว่า ความแม่นยำในการจำแนกของ Bayes ไร้เดียงสา
ขั้นตอนวิธีขั้นตอนวิธี
ดีกว่าเมื่อเทียบกับอื่น ๆ