ConclusionThis paper has presented

Conclusion
This paper has presented a correlation-based approach
to feature selection for machine learning and compared
it with the wrapper|a well known feature selection
technique that uses the target learning algorithm to
guide its search for good features. The experiments
have shown that, in many cases, CFS gives results that
are comparable or better than the wrapper. Because
CFS makes use of all the training data at once, it can
1The number of features selected by the wrapper using
C4.5 is very similar. Note that because CFS is a ¯lter, the
feature sets it selects are the same regardless of the ¯nal
learning algorithm.
give better results than the wrapper on small datasets.
CFS is much faster than the wrapper (by more than an
order of magnitude), which allows it to be applied to
larger datasets than the wrapper.
Many applications of machine learning involve predicting
a class" that takes on a continuous numeric
value. Future work will aim at extending CFS to handle
problems where the class is numeric.
Figure

ผลลัพธ์ (ไทย) 1:

บทสรุปเอกสารนี้ได้นำเสนอวิธีการใช้ความสัมพันธ์การเลือกคุณลักษณะเครื่องเรียน และเปรียบเทียบด้วยการเลือกคุณลักษณะรู้จัก wrapper|aเทคนิคที่ใช้อัลกอริทึมการเรียนรู้เป้าหมายคู่มือค้นหาคุณลักษณะที่ดี การทดลองได้แสดงให้เห็นว่า ในหลายกรณี CFS ให้ผลลัพธ์ที่จะเทียบเท่า หรือดีกว่าที่กระดาษห่อ เนื่องจากCFS ทำให้สามารถใช้ข้อมูลการฝึกอบรมทั้งหมดในครั้งเดียว มัน1The จำนวนคุณลักษณะที่เลือก โดยใช้กระดาษห่อC4.5 จะคล้ายกันมาก โปรดทราบว่า เนื่องจาก CFS ¯lter การชุดคุณลักษณะมันจะมีเหมือนกัน ¯nalอัลกอริทึมการเรียนรู้ให้ผลดีกว่าการห่อใน datasets ขนาดเล็กCFS จะเร็วกว่ากระดาษห่อที่มาก (โดยมากกว่าสั่งของขนาด), ซึ่งช่วยให้การใช้datasets ขนาดใหญ่กว่ากระดาษที่ห่อโปรแกรมประยุกต์ในเครื่องเรียนรู้เกี่ยวข้องกับการคาดการณ์class"ที่ใช้ในตัวอย่างต่อเนื่องค่า ทำงานในอนาคตจะมุ่งขยาย CFS จะจัดการปัญหาตัวเลขชั้นรูป

ผลลัพธ์ (ไทย) 3:

สรุป
กระดาษได้แสดงความสัมพันธ์ตามวิธีการเพื่อการเรียนรู้
คุณลักษณะเครื่องเทียบกับกระดาษห่อ |

รู้จักคุณลักษณะการเลือกเทคนิคที่ใช้เป้าหมายการเรียนรู้ขั้นตอนวิธีการค้นหาของสำหรับ
คู่มือคุณลักษณะที่ดี การทดลอง
ได้แสดงให้เห็นว่า ในหลายกรณี โฆษณาให้ผลลัพธ์ที่
ทัดเทียม หรือดีกว่ากระดาษห่อ เพราะ
โฆษณาที่ทำให้การใช้ข้อมูลการฝึกอบรมทั้งหมดในครั้งเดียวมันสามารถ
หมายเลข 1 ของการเลือกคุณสมบัติของกระดาษห่อใช้
โปรแกรม C4.5 เป็นคล้ายกันมาก ทราบว่าเนื่องจาก CFS คือ lter ¯ ,
ชุดคุณลักษณะมันเลือกจะเหมือนกันโดยไม่คำนึงถึง¯นาลอัลกอริทึมการเรียนรู้
.
ให้ผลลัพธ์ที่ดีกว่ากระดาษห่อในชุดข้อมูลขนาดเล็ก .
CFS จะเร็วกว่ามาก กระดาษห่อ ( โดยมากกว่า
ลำดับความสำคัญ )ซึ่งช่วยให้สามารถใช้ข้อมูลที่มีขนาดใหญ่กว่ากระดาษห่อ

.
หลายโปรแกรมของเครื่องจักรการเรียนรู้เกี่ยวข้องกับทำนาย
" ที่ใช้เวลาในการเรียนอย่างต่อเนื่องตัวเลข
ค่า การทำงานในอนาคตจะมุ่งขยาย CFS เพื่อจัดการกับปัญหาที่เรียน

รูปที่เป็นตัวเลข