We analyze experimentally the perfo

We analyze experimentally the performance of the four ECL variants on the
non-linearly separable problem described above and on real life propositional
and relational datasets. On the real life datasets, ECL-LSDc is the best performing
system. However, as expected, it is unable to solve the non-linearly
separable problem, while ECL-LSDf is able to solve this problem, but its fine grain initialization of inequalities sometimes leads the system to overfit the
training data.
In general, the results of the experiments indicate that initializing inequalities
using intervals obtained from Fayyad & Irani algorithm and then refining
them during the learning process in order to take into account the possible attribute
interdependencies, provides a robust and effective technique for handling
continuous attributes in evolutionary ILP learning.
The rest of the paper is organized as follows. In the next section we describe
the two types of cut points used as boundaries of inequalities and the operators
for shifting inequalities boundaries employed in the mutation. Next we briefly
overview the ECL system and its four extensions with discretization. In Section
4 we report and discuss the results of experiments. Finally in Section 5 we
conclude with a brief experimental comparison of the best ECL variant with
other inductive learning systems.

ผลลัพธ์ (ไทย) 1:

เราวิเคราะห์ experimentally ประสิทธิภาพย่อย ECL 4 ในการปัญหาที่อธิบายไว้ข้างต้น และ ในชีวิตจริง propositional separable ไม่เชิงเส้นและเชิงสัมพันธ์ datasets ในชีวิตจริง datasets, ECL LSDc จะทำดีที่สุดระบบ อย่างไรก็ตาม ตาม ไม่สามารถแก้ปัญหาไม่ใช่เชิงเส้นปัญหา separable ในขณะที่ ECL LSDf จะแก้ปัญหานี้ แต่ของเกรนเริ่มต้นของความเหลื่อมล้ำทางบางครั้งนำไปสู่ระบบการ overfit การข้อมูลการฝึกอบรมทั่วไป ผลการทดลองระบุการเริ่มต้นที่ความเหลื่อมล้ำทางใช้ช่วงเวลาที่ได้รับจากอัลกอริทึม Fayyad และ Irani และจากนั้น ปรับพวกเขาในระหว่างกระบวนการเรียนรู้เพื่อคำนึงถึงแอตทริบิวต์ได้กัน มีเทคนิคที่แข็งแกร่ง และมีประสิทธิภาพสำหรับการจัดการแอตทริบิวต์อย่างต่อเนื่องในการเรียนรู้วิวัฒนาการ ILPจัดส่วนเหลือของกระดาษดังนี้ ในส่วน ที่เราอธิบายชนิดสองของจุดตัดที่ใช้เป็นขอบเขตของความเหลื่อมล้ำทางและดำเนินการสำหรับการขยับความเหลื่อมล้ำทางขอบเขตการจ้างงานในการกลายพันธุ์ ต่อไปเราสั้น ๆภาพรวม ECL ในระบบและส่วนขยายของสี่ ด้วย discretization ในส่วนของ4 เรารายงาน และอภิปรายผลการทดลอง สุดท้าย ในส่วน 5 เราสรุป ด้วยการเปรียบเทียบทดลองย่อของตัวแปร ECL สุดด้วยระบบอื่น ๆ เรียนรู้เชิงอุปนัย

ผลลัพธ์ (ไทย) 2:

เราวิเคราะห์การทดลองการปฏิบัติงานของสี่ ECL สายพันธุ์ในปัญหาแยกที่ไม่เป็นเส้นตรงที่อธิบายข้างต้นและในชีวิตจริงประพจน์ชุดข้อมูลและความสัมพันธ์ ในชุดชีวิตจริง ECL-LSDc เป็นที่มีประสิทธิภาพที่ดีที่สุดระบบ อย่างไรก็ตามตามที่คาดไว้ก็ไม่สามารถที่จะแก้ปัญหาที่ไม่เป็นเส้นตรงปัญหาแยกกันไม่ออกในขณะที่ ECL-LSDf สามารถที่จะแก้ปัญหานี้ แต่การเริ่มต้นข้าวที่ดีของความไม่เท่าเทียมกันในบางครั้งนำไปสู่ระบบเพื่อ overfit ข้อมูลการฝึกอบรม. โดยทั่วไปผล การทดลองแสดงให้เห็นว่าการเตรียมความไม่เท่าเทียมกันโดยใช้ช่วงเวลาที่ได้รับจากอัลกอริทึมFayyad และอิหร่านนิและจากนั้นปรับแต่งพวกเขาในระหว่างกระบวนการเรียนรู้เพื่อที่จะคำนึงถึงคุณลักษณะที่เป็นไปได้ประมูลให้เทคนิคที่แข็งแกร่งและมีประสิทธิภาพสำหรับการจัดการคุณลักษณะอย่างต่อเนื่องในการเรียนรู้ILP วิวัฒนาการ. ส่วนที่เหลือของกระดาษที่มีการจัดระเบียบดังต่อไปนี้ ในส่วนถัดไปเราจะอธิบายทั้งสองประเภทของจุดตัดใช้เป็นขอบเขตของความไม่เท่าเทียมกันและผู้ประกอบการสำหรับการขยับขอบเขตความไม่เท่าเทียมกันที่ใช้ในการกลายพันธุ์ ถัดไปเราสั้นภาพรวมระบบ ECL และสี่ส่วนขยายที่มีต่อเนื่อง ในมาตรา4 เรารายงานและหารือเกี่ยวกับผลการทดลอง สุดท้ายในส่วนที่ 5 เราลงเอยด้วยการเปรียบเทียบการทดลองโดยย่อของตัวแปรECL ที่ดีที่สุดกับระบบการเรียนรู้อื่นๆ ที่นำเข้ามา

ผลลัพธ์ (ไทย) 3:

เราวิเคราะห์ผลการปฏิบัติงานของโฟร์ ECL ในสายพันธุ์
ไม่แบ่งแยกเชิงเส้นปัญหาอธิบายไว้ข้างต้นและในชีวิตจริงและข้อเสนอ
ข้อมูลเชิงสัมพันธ์ ในข้อมูลชีวิตจริง ECL lsdc คือการแสดง
ที่ดีที่สุดระบบ อย่างไรก็ตาม คาดว่าไม่สามารถแก้ไขปัญหาที่ไม่ใช่เส้นตรง
แยกกัน ในขณะที่ lsdf ECL สามารถแก้ไขปัญหานี้ได้แต่เริ่มต้นที่เม็ดละเอียดของอสมการของบางครั้งนำระบบข้อมูลการฝึกอบรม overfit
.
ทั่วไป ผลการทดลองพบว่า การเริ่มต้นอสมการ
โดยใช้ช่วงเวลาที่ได้รับจากฟาเยด&ลาชิขั้นตอนวิธีและการกลั่น
ระหว่างกระบวนการเรียนรู้เพื่อเข้าบัญชี interdependencies ของแอตทริบิวต์
เป็นไปได้ให้มีประสิทธิภาพและมีประสิทธิภาพเทคนิคการจัดการ
คุณลักษณะอย่างต่อเนื่องใน ILP การเรียนรู้วิวัฒนาการ .
ส่วนที่เหลือของกระดาษจะจัดดังนี้ ในตอนต่อไปเราจะอธิบาย
2 ชนิด ตัดจุดใช้เป็นขอบเขตของอสมการและผู้ประกอบการสำหรับการใช้อสมการขอบเขต
ในการกลายพันธุ์ ต่อไปเราสั้น
ภาพรวมของการทดสอบระบบและสี่นามสกุลด้วยค่า . ในส่วน
4 เรารายงานและอภิปรายผลการทดลอง สุดท้ายในส่วนที่ 5 เรา
สรุปกับการทดสอบเปรียบเทียบโดยย่อของที่ดีที่สุด ECL แตกต่างกับอื่น ๆระบบการเรียนรู้แบบ

.