For some classes, particular featur

For some classes, particular feature values may be
more signicant than other values of the same feature. For example, the target
class in the Monks-2 data set is dened by the concept exactly two features have
the value 1." Thus another potentially useful form of local feature weighting allows
the weights to vary locally according to the values of the test instance. A
simple transformation of the case base allows the CDW algorithm to exploit this
form of locality. Specically, the feature set is expanded so that each instance
is described by a set of binary features corresponding to all the feature value
possibilities in the original training set. If instances in the training set T are
described by the set of features F = ff1; :::; fmg, and feature fi takes on values
Vfi = fvfi1; :::; vfiri g across the entire training set, then instances in the transformed
training set T 0 are described by the feature set F 0 = Vf1 [ Vf2 [ ::: [ Vfm

ผลลัพธ์ (ไทย) 1:

อาจมีค่าคุณลักษณะเฉพาะบางคลาเพิ่มเติมต้อน signi มากกว่าค่าอื่น ๆ คุณลักษณะเดียวกัน ตัวอย่าง เป้าหมายในชุดข้อมูล 2 พระสงฆ์มีเน็ด เด exactly แนวคิดคุณลักษณะสองค่า 1 " ดังนั้น รูปแบบอาจมีประโยชน์อื่นคุณลักษณะเฉพาะน้ำหนักให้น้ำหนักจะแตกต่างกันตามค่าของตัวอย่างทดสอบภายใน Aเรื่องการเปลี่ยนแปลงของฐานกรณีให้อัลกอริทึม CDW นี้กดขี่ขูดรีดรูปแบบของท้องถิ่น Speci cally ชุดคุณลักษณะถูกขยายเพื่อให้แต่ละอินสแตนซ์มีอธิบาย โดยชุดของไบนารีที่สอดคล้องกับค่าคุณลักษณะทั้งหมดไปในชุดฝึกอบรม ถ้าอินสแตนซ์ในการฝึกตั้ง T จะโดยชุดของ F = ff1 :::; fmg และคุณลักษณะจะไร้ค่าVfi = fvfi1 :::; g vfiri ผ่านการฝึกอบรมทั้งหมดตั้ง แล้วอินสแตนซ์ในการแปรรูปชุดฝึกอบรมที 0 ไว้ โดยคุณลักษณะชุด F 0 = Vf1 [Vf2 [::: [Vfm

ผลลัพธ์ (ไทย) 2:

สำหรับการเรียนบางค่าคุณลักษณะเฉพาะอาจจะลาดเทนัยสำคัญมากกว่าค่าอื่น ๆ ของคุณลักษณะเดียวกัน
ยกตัวอย่างเช่นเป้าหมายระดับในพระ-2 ชุดข้อมูลเป็น ned โดยแนวคิด ว่าสองคุณสมบัติที่มีค่า1 "ดังนั้นอีกหนึ่งรูปแบบที่มีประโยชน์ที่อาจเกิดขึ้นของน้ำหนักคุณลักษณะท้องถิ่นช่วยให้น้ำหนักที่แตกต่างกันทั้งในประเทศตามค่าของตัวอย่างเช่นการทดสอบ. ให้การเปลี่ยนแปลงที่เรียบง่ายของฐานกรณีที่ช่วยให้ขั้นตอนวิธีCDW จะใช้ประโยชน์จากนี้รูปแบบของท้องถิ่น. Speci ถอนรากถอนโคนชุดคุณลักษณะที่มีการขยายเพื่อให้แต่ละกรณีมีการอธิบายโดยชุดของคุณลักษณะไบนารีที่สอดคล้องกับทุกค่าคุณลักษณะที่เป็นไปได้ในการฝึกอบรมชุดเดิมหากกรณีอยู่ในชุดฝึกอบรม T ที่มี. อธิบายโดยชุดของคุณลักษณะ F = FF1 นั้น :::; fmg และสายคุณลักษณะที่จะใช้เวลาในค่าVfi = fvfi1; :::; vfiri กรัมในชุดฝึกอบรมทั้งหมด แล้วในกรณีเปลี่ยนการฝึกอบรมชุดT 0 จะมีการอธิบายโดยกำหนดคุณสมบัติ F = 0 VF1 [Vf2 [::: [VFM

ผลลัพธ์ (ไทย) 3:

สำหรับบางวิชาโดยเฉพาะ คุณสมบัติอาจจะมากกว่าค่า
signi  ลาดเทกว่าค่าอื่นๆ ที่มีลักษณะเดียวกันได้ ตัวอย่างเช่น เป้าหมาย
เรียนใน monks-2 ชุดข้อมูลคือ เดอ  เน็ดโดยแนวคิด N ตรงสองคุณสมบัติมี
1 " จึงอาจเป็นประโยชน์อีกรูปแบบของน้ำหนักคุณสมบัติท้องถิ่นช่วยให้
น้ำหนักแตกต่างกันในท้องถิ่นตามค่าของอินสแตนซ์ทดสอบ
เป็นการแปลงง่ายของกรณีฐานช่วยให้ CDW ขั้นตอนวิธีการขูดรีด
รูปแบบท้องถิ่น ประเภท  คอลลี่ , คุณลักษณะชุดขยายเพื่อให้แต่ละอินสแตนซ์
อธิบายตามชุดของคุณลักษณะที่สอดคล้องกับทุกคุณสมบัติค่า
ความเป็นไปได้ในชุดฝึก ชุดเดิม ไบนารี ถ้าในกรณีชุดฝึกอบรมที
บรรยายโดยตั้งค่าคุณสมบัติ F = ff1 ; : : : ; fmg ,และมีไฟใช้ค่า
vfi = fvfi1 ; : : : ; vfiri G ข้ามชุดฝึกอบรมทั้งหมด แล้วอินสแตนซ์ในชุดฝึกเปลี่ยน
T 0 จะอธิบายคุณลักษณะชุด F 0 = vf1 [ vf2 [ : : : [ ผู้ช่วยรัฐมนตรีว่าการ