Varying the Amount of Training Data

Varying the Amount of Training Data
This section examines learning curves, which show the effect of gradually increasing
the amount of training data. Again, we use the glass data, but this time
with both IBk and the C4.5 decision tree learners, implemented in Weka as J48.
To obtain learning curves, use FilteredClassifier again, this time in conjunction
with weka.filters.unsupervised.instance.Resample, which extracts a certain
specified percentage of a given dataset and returns the reduced dataset.1 Again,
this is done only for the first batch to which the filter is applied, so the test
data passes unmodified through the FilteredClassifier before it reaches the
classifier.
Exercise 17.2.9. Record in Table 17.3 the data for learning curves for both the
one-nearest-neighbor classifier (i.e., IBk with k = 1) and J48.
Exercise 17.2.10. What is the effect of increasing the amount of training data?
Exercise 17.2.11. Is this effect more pronounced for IBk or J48?

ผลลัพธ์ (ไทย) 1:

จำนวนข้อมูลการฝึกอบรมแตกต่างกัน
ส่วนนี้ตรวจสอบเส้นโค้งการเรียนรู้ ซึ่งแสดงผลของการค่อย ๆ เพิ่ม
จำนวนข้อมูลการฝึกอบรม อีกครั้ง เราใช้ข้อมูลแก้ว แต่เวลานี้
กับ IBk และเรียนต้นไม้ตัดสินใจ C4.5 ดำเนินการใน Weka เป็น J48
รับเส้นโค้งการเรียนรู้ ใช้ FilteredClassifier อีก นี้เวลาร่วม
กับ weka.filters.unsupervised.instanceเปลี่ยนความละเอียด ที่แยกเป็นบาง
ระบุเปอร์เซ็นต์ของชุดข้อมูลที่กำหนด และส่งกลับค่า dataset.1 ลดลงอีก,
นี้จะทำเฉพาะสำหรับชุดแรกซึ่งตัวกรองจะใช้ เพื่อทดสอบ
ผ่านข้อมูล unmodified ผ่าน FilteredClassifier ตอน
classifier.
17.2.9 ออกกำลังกาย บันทึก 17.3 ตารางข้อมูลเส้นโค้งการเรียนรู้ทั้งการ
classifier หนึ่งใกล้บ้าน (เช่น IBk มี k = 1) และ J48.
กาย 17.2.10 ผลของการเพิ่มจำนวนข้อมูลการฝึกอบรมคืออะไร?
17.2.11 ออกกำลังกาย มีผลนี้ชัดเจนยิ่งขึ้นสำหรับ IBk J48

ผลลัพธ์ (ไทย) 2:

ที่แตกต่างกันจำนวนของการฝึกอบรมข้อมูล
ในส่วนนี้จะตรวจสอบเส้นโค้งการเรียนรู้ที่แสดงให้เห็นผลของการค่อยๆเพิ่มขึ้น
ปริมาณของข้อมูลการฝึกอบรม อีกครั้งที่เราใช้ข้อมูลกระจก แต่เวลานี้
มีทั้ง IBK และเรียนต้นไม้ตัดสินใจ C4.5 ดำเนินการใน Weka เป็น J48
เพื่อให้ได้เส้นโค้งการเรียนรู้การใช้ FilteredClassifier อีกครั้งคราวนี้ร่วม
ด้วย weka.filters.unsupervised.instance . Resample ซึ่งสารสกัดจากบางอย่าง
ที่ระบุร้อยละของชุดที่กำหนดและผลตอบแทนที่ลดลง dataset.1 อีกครั้ง
นี้จะทำเฉพาะสำหรับชุดแรกที่ตัวกรองถูกนำไปใช้เพื่อการทดสอบ
ข้อมูลผ่านไปยังไม่แปรผ่าน FilteredClassifier ก่อนที่จะถึง
ลักษณนาม
17.2.9 การออกกำลังกาย บันทึกไว้ในตาราง 17.3 ข้อมูลสำหรับการเรียนรู้โค้งสำหรับทั้ง
ลักษณนามหนึ่งเพื่อนบ้านที่ใกล้ที่สุด (เช่น IBK ด้วย k = 1) และ J48
การออกกำลังกาย 17.2.10 ผลของการเพิ่มปริมาณของข้อมูลการฝึกอบรมคืออะไร?
การออกกำลังกาย 17.2.11 เป็นผลนี้เด่นชัดมากขึ้นสำหรับ IBK หรือ J48?

ผลลัพธ์ (ไทย) 3:

การเปลี่ยนแปลงปริมาณของข้อมูลการฝึกอบรม
ส่วนนี้ตรวจสอบเส้นโค้งการเรียนรู้ ซึ่งแสดงผลของการค่อยๆเพิ่ม
จํานวนข้อมูลการฝึกอบรม อีก เราใช้ข้อมูลแก้ว แต่เวลานี้
ทั้ง ibk และโปรแกรม C4.5 ต้นไม้การตัดสินใจผู้เรียน ใช้เป็น j48 Weka .
ได้รับการเรียนรู้โค้ง ใช้ filteredclassifier อีก คราวนี้ ควบคู่กับ weka.filters.unsupervised.instance
.resample ซึ่งสารสกัดบาง
ระบุร้อยละของข้อมูลและส่งกลับข้อมูลให้ลดลง 1 อีกครั้ง
นี้จะทำเพียงชุดแรกที่ใช้ตัวกรองเพื่อให้ข้อมูลทดสอบ
ผ่านไม่ผ่าน filteredclassifier ก่อนที่จะถึง

ใช้ลักษณนาม 17.2.9 . บันทึกตารางสำหรับข้อมูลเส้นโค้งการเรียนรู้สำหรับทั้ง
เพื่อนบ้านที่ใกล้ที่สุดแบบหนึ่ง ( เช่น ibk กับ k = 1 ) และ j48 .
ออกกำลังกาย 17.2.10 . อะไรคือผลของการเพิ่มปริมาณของข้อมูลการฝึกอบรม ?
ออกกำลังกาย 17.2.11 . นี่คือผลเด่นชัดมากขึ้นสำหรับ ibk หรือ j48 ?