In experimental and applied machine

In experimental and applied machine learning work, it is
hard to exaggerate the influence of topdown heuristics
for building a decision tree from labeled sample data. These
algorithms grow a tree from the root to the leaves by repeatedly replacing an existing leaf with an internal node,
thus ``splitting'' the data reaching this leaf into two new
leaves and reducing the empirical error on the given sample.
The tremendous popularity of such programs (which include
the C4.5 and CART software packages [3, 16]) is due to
their efficiency and simplicity, the advantages of using
decision trees (such as potential interpretability to humans),
and, of course, their success in generating trees with good
generalization ability (that is, performance on new data).
Dozens of papers describing experiments and applications
involving topdown decision tree learning algorithms appear
in the machine learning literature each year

ผลลัพธ์ (ไทย) 1:

ในการเรียนรู้ทดลอง และใช้งานยากที่จะโอ้อวดอิทธิพลของด้านบนลงลองผิดลองถูกสำหรับการสร้างต้นไม้ตัดสินใจจากข้อมูลตัวอย่างป้าย เหล่านี้อัลกอริทึมปลูกต้นไม้จากรากสู่ใบ โดยซ้ำ ๆ แทนเป็นใบไม้ที่มีอยู่ด้วยการโหนภายในดังนั้น ''แบ่ง '' ถึงใบไม้นี้เป็นสองข้อมูลใหม่ใบไม้และลดข้อผิดพลาดรวมในตัวอย่างกำหนดความนิยมอย่างมากของโปรแกรมดังกล่าว (ซึ่งรวมถึงC4.5 และรถเข็นซอฟต์แวร์แพคเกจ [3, 16]) จะครบกำหนดของประสิทธิภาพและความเรียบง่าย ประโยชน์ของการใช้ต้นไม้ตัดสินใจ (เช่นศักยภาพ interpretability กับมนุษย์),และ แน่นอน ความสำเร็จในการสร้างต้นไม้ ด้วยดีสามารถ generalization (นั่นคือ ประสิทธิภาพข้อมูลใหม่)ของเอกสารที่อธิบายการทดลองและการประยุกต์ใช้เกี่ยวข้องกับด้านบนลงอัลกอริทึมการเรียนรู้ต้นไม้ตัดสินใจปรากฏในเครื่องเอกสารประกอบการเรียนรู้ในแต่ละปี

ผลลัพธ์ (ไทย) 2:

ในเครื่องทดลองและนำมาประยุกต์ใช้ในการทำงานการเรียนรู้มันเป็นเรื่องยากที่จะพูดเกินจริงอิทธิพลของด้านบน? ลงการวิเคราะห์พฤติกรรมสำหรับการสร้างต้นไม้ตัดสินใจจากข้อมูลตัวอย่างที่มีข้อความ เหล่านี้ขั้นตอนวิธีการเติบโตต้นไม้จากรากจรดใบด้วยซ้ำเปลี่ยนใบที่มีอยู่กับโหนดภายในจึง`` แยก '' ข้อมูลถึงใบนี้ออกเป็นสองใหม่ใบและลดข้อผิดพลาดในการทดลองกับตัวอย่างที่กำหนด. ความนิยมอย่างมาก ของโปรแกรมดังกล่าว (ซึ่งรวมถึงC4.5 และรถเข็นซอฟแวร์ [3, 16]) เกิดจากการที่มีประสิทธิภาพและความเรียบง่ายของพวกเขาได้เปรียบของการใช้ต้นไม้ตัดสินใจ(เช่น interpretability ที่อาจเกิดขึ้นกับมนุษย์) และแน่นอนสำเร็จของพวกเขา ในการสร้างต้นไม้ด้วยความดีความสามารถทั่วไป(นั่นคือประสิทธิภาพการทำงานบนข้อมูลใหม่). นับสิบของเอกสารอธิบายการทดลองและการใช้งานที่เกี่ยวข้องกับด้านบน? ลงการตัดสินใจขั้นตอนวิธีการเรียนรู้ต้นไม้ปรากฏในวรรณกรรมเครื่องการเรียนรู้ในแต่ละปี

ผลลัพธ์ (ไทย) 3:

ทดลองและประยุกต์การเรียนรู้เครื่อง มันคือ
ยากเกินจริงอิทธิพลของด้านบน  ลงอักษร
สำหรับอาคารโครงสร้างการตัดสินใจจากป้ายข้อมูลตัวอย่าง . ขั้นตอนวิธีเหล่านี้
ปลูกต้นไม้จากรากสู่ใบ โดยใบเดิมซ้ำๆ แทนกับโหนดภายใน
ดังนั้น ' ' แยก ' ' ข้อมูลการเข้าถึงนี้ใบใหม่
เป็นสองใบและลดข้อผิดพลาดเชิงประจักษ์ในตัวอย่าง .
ความนิยมอย่างมากของโปรแกรมดังกล่าว ( ซึ่งรวมถึง
และซื้อแพคเกจซอฟต์แวร์โปรแกรม C4.5 [ 16 ] ) เนื่องจาก
ประสิทธิภาพและความเรียบง่าย ข้อดีของการใช้
ต้นไม้การตัดสินใจ ( เช่น ศักยภาพ interpretability มนุษย์ ) ,
และ , แน่นอน ความสำเร็จของพวกเขาในการสร้างต้นไม้ที่มีความสามารถในการดี
( นั่นคือการแสดงข้อมูลใหม่ )
หลายสิบของเอกสารอธิบายการทดลองและการใช้งานที่เกี่ยวข้องกับด้านบน
 ลงขั้นตอนวิธีการเรียนรู้ต้นไม้ตัดสินใจปรากฏ
ในการเรียนรู้ของเครื่องวรรณกรรมในแต่ละปี