AbstractThis paper details the ID3

Abstract

This paper details the ID3 classification algorithm. Very simply, ID3 builds a decision tree from a fixed set of examples. The resulting tree is used to classify future samples. The example has several attributes and belongs to a class (like yes or no). The leaf nodes of the decision tree contain the class name whereas a non-leaf node is a decision node. The decision node is an attribute test with each branch (to another decision tree) being a possible value of the attribute. ID3 uses information gain to help it decide which attribute goes into a decision node. The advantage of learning a decision tree is that a program, rather than a knowledge engineer, elicits knowledge from an expert.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อกระดาษนี้รายละเอียดขั้นตอนวิธีจำแนก ID3 มากเพียง ID3 สร้างต้นไม้ตัดสินใจจากชุดของตัวอย่างที่ตาย ต้นไม้ผลจะใช้ในการจำแนกตัวอย่างในอนาคต ตัวอย่างมีหลายแอททริบิวต์ และเป็นสมาชิกของคลาส (เช่นใช่หรือไม่) โหนใบของต้นไม้ตัดสินใจประกอบด้วยชื่อชั้นในขณะที่ไม่ใช่ใบโหนดเป็นโหนตัดสินใจ การทดสอบคุณลักษณะกับแต่ละสาขา (ที่ต้นไม้การตัดสินใจอื่น) การค่าของแอตทริบิวต์โหนตัดสินใจได้ ID3 ใช้กำไรข้อมูลเพื่อช่วยตัดสินใจว่า แอตทริบิวต์ซึ่งจะเข้าสู่โหนตัดสินใจ ประโยชน์ของการเรียนรู้ต้นไม้ตัดสินใจเป็นที่โปรแกรม แทนที่เป็นวิศวกรความรู้ ความรู้จากผู้เชี่ยวชาญกัน

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ

รายละเอียดกระดาษนี้ขั้นตอนวิธีการจัดหมวดหมู่ ID3 มากเพียง ID3 สร้างต้นไม้ตัดสินใจจากชุดถาวรของตัวอย่าง ต้นไม้ที่ส่งผลให้มีการใช้ในการจำแนกกลุ่มตัวอย่างในอนาคต ตัวอย่างที่มีแอตทริบิวต์หลายแห่งและอยู่ในชั้นเรียน (เช่น Yes หรือ No) โหนดใบของต้นไม้การตัดสินใจที่มีชื่อชั้นในขณะที่โหนดที่ไม่ใช่ใบโหนดตัดสินใจ โหนดตัดสินใจคือการทดสอบแอตทริบิวต์กับแต่ละสาขา (เพื่อต้นไม้ตัดสินใจอีก) เป็นค่าที่เป็นไปของแอตทริบิวต์ ID3 ใช้รับข้อมูลเพื่อช่วยให้มันตัดสินใจที่จะเข้าสู่การแอตทริบิวต์โหนดตัดสินใจ ข้อได้เปรียบของการเรียนรู้ต้นไม้ตัดสินใจคือโปรแกรมมากกว่าวิศวกรความรู้องค์ความรู้จากผู้เชี่ยวชาญ

ผลลัพธ์ (ไทย) 3:

บทคัดย่อรายละเอียดขั้นตอนวิธีการจำแนก ID3 กระดาษนี้ มากเพียง , ID3 สร้างต้นไม้ตัดสินใจจากการตั้งค่าคงที่ของตัวอย่าง ส่งผลให้ต้นไม้ที่ใช้เพื่อจำแนกตัวอย่างในอนาคต อย่างมีคุณลักษณะและหลายเป็นของชั้น ( ใช่หรือเปล่า ) ใบโหนดของต้นไม้ การตัดสินใจที่มีชื่อคลาสและไม่ใช่ปมใบเป็นการตัดสินใจของโหนด การตัดสินใจของโหนดเป็นทดสอบคุณลักษณะกับแต่ละสาขาอื่นต้นไม้ตัดสินใจ ) เป็นค่าที่เป็นไปได้ของคุณลักษณะ การใช้ข้อมูล ID3 ได้รับที่จะช่วยให้คุณตัดสินใจที่จะเข้าสู่การตัดสินใจของโหนด ประโยชน์ของการเรียนรู้ต้นไม้ตัดสินใจเป็นโปรแกรม มากกว่าความรู้ที่วิศวกร ให้ความรู้จากผู้เชี่ยวชาญ