There has been difficulty in findin

There has been difficulty in finding natural theoretical
models that provide a precise yet useful language in which
to discuss the performance of topdown decision tree
learning heuristics, to compare variants of these heuristics,
and to compare them to learning algorithms that use entirely
different representations and approaches. For example,
even if we make the rather favorable assumption that there
is a small decision tree labeling the data and that the inputs
are distributed uniformly (thus, we are in the well-known
probably approximately correct or PAC model [18], with
the additional restriction to the uniform distribution), the
problem of finding any efficient algorithm with provably
nontrivial performance remains an elusive open problem in
computational learning theory. Furthermore, superpolynomial
lower bounds for this same problem have been proven
for a wide class of algorithms that includes the topdown
decision tree approach (and also all variants of this approach
that have been proposed to date) [2]. The positive results
for efficient decision tree learning in computational learning
theory all make extensive use of membership queries [4, 5,
11, 14] which provide the learning algorithm with blackbox
access to the target function (experimentation), rather than only an oracle for random examples. Clearly, the need
for membership queries severely limits the potential application
of such algorithms, and they seem unlikely to encroach
on the popularity of the topdown decision tree algorithms
without significant new ideas. In summary, it seems fair to
say that, despite their other successes, the models of computational
learning theory have not yet provided significant
insight into the apparent empirical success of programs like
C4.5 and CART

ผลลัพธ์ (ไทย) 1:

มีความยากลำบากในการหาทฤษฎีธรรมชาติรูปแบบที่มีภาษาที่แม่นยำ ยังมีประโยชน์ในการเพื่อหารือเกี่ยวกับประสิทธิภาพด้านบนลงต้นไม้การตัดสินใจเรียนรู้ลองผิดลองถูก เปรียบเทียบตัวแปรของการลองผิดลองถูกเหล่านี้และเปรียบเทียบกับอัลกอริทึมการเรียนรู้ที่ใช้ทั้งหมดนำเสนอที่แตกต่างกันและแนวทาง ตัวอย่างถ้าเราทำให้อัสสัมชัญแต่ดีที่มีเป็นต้นไม้ขนาดเล็กตัดสินใจติดฉลากข้อมูลและปัจจัยการผลิตกระจายสม่ำเสมอเมื่อเทียบเคียง (ดังนั้น เราเป็นรู้จักคงประมาณแก้ไข หรือแพ็กตัว [18],เพิ่มเติมข้อจำกัดการกระจายสม่ำเสมอ), การปัญหาของการหาอัลกอริทึมใด ๆ มีประสิทธิภาพกับ provablynontrivial ประสิทธิภาพการทำงานยังคง มีปัญหาเปิดเปรียวในทฤษฎีการเรียนรู้คอมพิวเตอร์ นอกจากนี้ superpolynomialขอบเขตล่างสำหรับปัญหาเดียวกันนี้ได้รับการพิสูจน์ในระดับกว้างของอัลกอริทึมที่มีด้านบนลงแผนภูมิวิธี (และยังย่อยทั้งหมดของวิธีการนี้ในการตัดสินใจที่ได้รับการเสนอชื่อวัน) [2] ผลบวกสำหรับต้นไม้การตัดสินใจที่มีประสิทธิภาพในการคำนวณการเรียนรู้การเรียนรู้ทฤษฎีทั้งหมดให้ละเอียดใช้การสอบถามสมาชิก [4, 511, 14] ซึ่งมีอัลกอริทึมเรียน blackboxเข้าถึงฟังก์ชันเป้าหมาย (ทดลอง), แทนเฉพาะการ oracle สำหรับสุ่มตัวอย่าง อย่างชัดเจน ความต้องการสำหรับการสอบถามสมาชิกอย่างจำกัดโปรแกรมประยุกต์อาจเกิดขึ้นของอัลกอริทึมดังกล่าว และพวกเขาดูเหมือนไม่น่ารุกบนความนิยมด้านลงอัลกอริทึมต้นไม้ตัดสินใจไม่ มีความคิดใหม่อย่างมีนัยสำคัญ ในสรุป เหมือนธรรมบอกว่า แม้ มีผู้อื่นสำเร็จ แบบจำลองการคำนวณทฤษฎีการเรียนรู้ได้ไม่ได้ให้สำคัญลึกเข้าไปในโปรแกรมเช่นผลสำเร็จชัดเจนC4.5 และรถเข็น

ผลลัพธ์ (ไทย) 2:

ได้มีความยากลำบากในการหาทางทฤษฎีธรรมชาติที่ให้เป็นภาษาที่ถูกต้องยังมีประโยชน์ในการที่จะหารือเกี่ยวกับการปฏิบัติงานของด้านบน? ลงต้นไม้ตัดสินใจการวิเคราะห์พฤติกรรมการเรียนรู้เพื่อเปรียบเทียบสายพันธุ์ของการวิเคราะห์พฤติกรรมเหล่านี้และเพื่อเปรียบเทียบกับขั้นตอนวิธีการเรียนรู้ที่ใช้ทั้งการแสดงที่แตกต่างกันและวิธีการ ตัวอย่างเช่นแม้ว่าเราให้สมมติฐานที่ดีมากกว่าที่มีเป็นต้นไม้ตัดสินใจขนาดเล็กติดฉลากข้อมูลและปัจจัยการผลิตที่มีการกระจายอย่างสม่ำเสมอ(ดังนั้นเราอยู่ในที่รู้จักกันดีอาจจะประมาณที่ถูกต้องหรือ PAC รูปแบบ [18] ด้วย ข้อ จำกัด เพิ่มเติมเพื่อให้การกระจายชุด) ที่มีปัญหาในการหาขั้นตอนวิธีการใดๆ ที่มีประสิทธิภาพด้วยสรรพสิ่งประสิทธิภาพขี้ปะติ๋วยังคงเป็นปัญหาที่ยากจะอธิบายเปิดในทฤษฎีการเรียนรู้การคำนวณ นอกจากนี้ superpolynomial ขอบเขตที่ต่ำกว่าสำหรับปัญหาเดียวกันนี้ได้รับการพิสูจน์สำหรับชั้นกว้างของขั้นตอนวิธีการที่มีด้านบน? ลงตัดสินใจวิธีต้นไม้(และทุกสายพันธุ์ของวิธีการนี้ที่ได้รับการเสนอให้วันที่) [2] ผลในเชิงบวกสำหรับการเรียนรู้ต้นไม้ตัดสินใจที่มีประสิทธิภาพในการเรียนรู้การคำนวณทฤษฎีทั้งหมดให้ครอบคลุมการใช้คำสั่งสมาชิก[4, 5, 11, 14] ที่ให้ขั้นตอนวิธีการเรียนรู้ที่มีกล่องดำเข้าถึงฟังก์ชั่นเป้าหมาย(ทดลอง) มากกว่าเพียง oracle สำหรับ ตัวอย่างแบบสุ่ม เห็นได้ชัดว่าจำเป็นที่จะต้องสำหรับการค้นหาสมาชิกอย่างรุนแรง จำกัด แอพลิเคชันที่มีศักยภาพของขั้นตอนวิธีดังกล่าวและพวกเขาดูเหมือนไม่น่าจะรุกล้ำความนิยมของด้านบน? ลงขั้นตอนวิธีการตัดสินใจของต้นไม้โดยไม่ต้องคิดใหม่อย่างมีนัยสำคัญ โดยสรุปดูเหมือนยุติธรรมที่จะบอกว่าแม้จะมีความสำเร็จอื่น ๆ ของพวกเขาในรูปแบบของการคำนวณทฤษฎีการเรียนรู้ที่มีให้ยังไม่ได้มีนัยสำคัญความเข้าใจในความสำเร็จเชิงประจักษ์ชัดเจนของโปรแกรมเช่นC4.5 และรถเข็น

ผลลัพธ์ (ไทย) 3:

มีความยากในการหาแบบจำลองทางทฤษฎี
ธรรมชาติที่ให้ประโยชน์ที่ชัดเจน แต่ภาษาที่
เพื่อหารือเกี่ยวกับประสิทธิภาพของการตัดสินใจบน  ลงต้นไม้
เรียนอักษร เปรียบเทียบตัวแปรเหล่านี้การวิเคราะห์พฤติกรรม ,
และเปรียบเทียบพวกเขาเพื่อการเรียนรู้ขั้นตอนวิธีที่ใช้ทั้งหมด
เป็นตัวแทนและแนวทางที่ต่างกัน ตัวอย่างเช่น
ถ้าเราทำให้ดี แต่สมมติฐานว่ามี
มีขนาดเล็กและต้นไม้การตัดสินฉลากข้อมูลที่กระผม
กระจายอย่างสม่ำเสมอ ( ดังนั้น เราอยู่ในที่รู้จักกันดี
น่าจะประมาณที่ถูกต้องหรือ PAC แบบ [ 18 ] ,
ข้อกำหนดเพิ่มเติมเพื่อแจกจ่ายเครื่องแบบ ) ,
ปัญหาที่พบใด ๆที่มีประสิทธิภาพ วิธีอาจ
การแสดงเปิดนอนทริเวียล ยังคงเป็นปัญหาที่ยากใน
ทฤษฎีการเรียนรู้เชิงคณนา นอกจากนี้ superpolynomial
ขอบเขตล่างสำหรับปัญหาเดียวกันนี้ได้รับการพิสูจน์
สำหรับคลาสกว้างของอัลกอริทึมที่มีด้านบน  ลง
เข้าหาต้นไม้ การตัดสินใจ ( และทุกสายพันธุ์ของวิธีการนี้
ที่ได้รับเสนอให้วันที่ ) [ 2 ]
ผลในเชิงบวกสำหรับการตัดสินใจที่มีประสิทธิภาพในการคำนวณต้นไม้การเรียนรู้การเรียนรู้
ทฤษฎีทั้งหมดทำให้การใช้ที่กว้างขวางของข้อมูลสมาชิก [ 4 , 5
11 , 14 ] ซึ่งให้อัลกอริทึมการเรียนรู้กับแบล็กบอกซ์
เข้าถึงฟังก์ชั่นเป้าหมาย ( การทดลอง ) แทนที่จะเพียง แต่สำหรับตัวอย่างสุ่ม เห็นชัดว่า ต้องการ
เพื่อสอบถามสมาชิกอย่างรุนแรง จำกัด ที่มีศักยภาพโปรแกรม
ของขั้นตอนวิธีดังกล่าวและดูเหมือนจะไม่เบียดเบียน
ในความนิยมของด้านบน  ลงขั้นตอนวิธีต้นไม้ตัดสินใจ
ไม่มีความคิดใหม่ที่สำคัญ สรุปแล้ว มันดูยุติธรรมดี

บอกว่า แม้ความสำเร็จของตนอื่น ๆ รุ่นของคอมพิวเตอร์
การเรียนรู้ทฤษฎีก็ยังไม่ได้ให้ความเข้าใจในความสำเร็จเชิงประจักษ์อย่างมีนัยสำคัญ

และชัดเจนของโปรแกรม เช่น โปรแกรม C4.5 รถเข็น