Normally, classifiers can be catego

Normally, classifiers can be categorized as the supervised learning. All

classifiers require a dataset which contains one attribute (mostly nominal) as a target

or a class with several distinct values. Then, classifiers learn patterns, rules or

characteristics in a given dataset that can categorize instances into different classes.

Methods to learn these patterns, rules or characteristics are different depending on

each algorithm. Users can use these patterns or rules given by algorithms to classify

instances with the unknown class in the same problem. Data mining models which

are widely used for classification problems are decision tree, naïve Bayes model,

support vector machine, neural network and k-nearest neighbor.

ผลลัพธ์ (ไทย) 1:

ปกติ คำนามภาษาสามารถจัดประเภทเป็นการเรียนรู้ดูแล ทั้งหมดคำนามภาษาต้องการชุดข้อมูลที่ประกอบด้วยหนึ่งคุณลักษณะ (ระบุเป็นส่วนใหญ่) เป็นเป้าหมายหรือระดับ มีค่าแตกต่างกันหลายค่า แล้ว คำนามภาษาเรียนรู้รูปแบบ กฎ หรือลักษณะในชุดข้อมูลที่กำหนดซึ่งสามารถจัดประเภทกรณีเข้าเรียนแตกต่างกันวิธีการเรียนรู้รูปแบบ กฎ หรือลักษณะเหล่านี้จะแตกต่างกันขึ้นอยู่กับแต่ละอัลกอริทึม ผู้ใช้สามารถใช้รูปแบบเหล่านี้หรือกฎที่กำหนด โดยอัลกอริทึมในการจัดประเภทกรณีที่ มีคลาสที่ไม่รู้จักในปัญหาเดียวกัน การทำเหมืองข้อมูลรุ่นที่ใช้สำหรับการจัดประเภทปัญหาต้นไม้การตัดสินใจ ไร้เดียงสา แบบ Bayesสนับสนุนเครื่องเวกเตอร์ โครงข่ายประสาท และเพื่อนบ้านใกล้เค

ผลลัพธ์ (ไทย) 2:

ปกติลักษณนามสามารถแบ่งออกเป็นการเรียนรู้ภายใต้การดูแล ทั้งหมด

ลักษณนามจำเป็นต้องมีชุดหนึ่งซึ่งมีแอตทริบิวต์ (ส่วนใหญ่ที่ระบุ) เป็นเป้าหมาย

หรือระดับที่มีค่าแตกต่างกันหลาย จากนั้นลักษณนามเรียนรู้รูปแบบระเบียบหรือ

ลักษณะในชุดข้อมูลที่ระบุว่าสามารถจัดประเภทอินสแตนซ์ที่แตกต่างกันในชั้นเรียน.

วิธีการที่จะเรียนรู้รูปแบบเหล่านี้กฎหรือลักษณะที่แตกต่างกันขึ้นอยู่กับ

แต่ละขั้นตอนวิธีการ ผู้ใช้สามารถใช้รูปแบบเหล่านี้หรือกฎที่กำหนดโดยขั้นตอนวิธีการในการจำแนก

กรณีที่มีระดับไม่รู้จักในปัญหาเดียวกัน รูปแบบการทำเหมืองข้อมูลที่

ใช้กันอย่างแพร่หลายสำหรับปัญหาการจัดหมวดหมู่เป็นต้นไม้ตัดสินใจรูปแบบเบส์ไร้เดียงสา,

เครื่องเวกเตอร์สนับสนุนเครือข่ายประสาทและ K-เพื่อนบ้านที่ใกล้ที่สุด

ผลลัพธ์ (ไทย) 3:

โดยปกติ คำลักษณนามสามารถจัดประเภทเป็นแบบการเรียนรู้ ทั้งหมดลักษณนามเป็นข้อมูลซึ่งประกอบด้วยหนึ่งแอตทริบิวต์ ( ส่วนใหญ่ชื่อ ) เป็นเป้าหมายหรือห้องที่แตกต่างกันหลายค่า แล้วคำเรียนรู้รูปแบบ กฎ หรือคุณลักษณะที่ระบุในข้อมูลที่สามารถจัดกลุ่มอินสแตนซ์ในชั้นเรียนที่แตกต่างกันวิธีการเรียนรู้รูปแบบเหล่านี้ กฎหรือลักษณะที่แตกต่างกันขึ้นอยู่กับแต่ละอัลกอริทึม ผู้ใช้สามารถใช้รูปแบบเหล่านี้หรือกฎอัลกอริทึมเพื่อสุขภาพอินสแตนซ์กับห้องที่ไม่รู้จักในปัญหาเดียวกัน การทำเหมืองข้อมูลแบบจำลองที่มีการใช้กันอย่างแพร่หลาย สำหรับปัญหาการจำแนกประเภทเป็นแผนภาพการตัดสินใจแบบต้นไม้ นา ไตได้ Bayes รุ่นเครื่องเวกเตอร์สนับสนุนเครือข่ายนิวรอนและละเพื่อนบ้าน