Most of the methods we have discuss

Most of the methods we have discussed manipulate input data. Dietterich and Bakiri [31]
manipulate the output targets with Error-Correcting Output Coding. Each output class in
the problem is represented by a binary string, chosen such that it is orthogonal (or as
close as possible) from the representation of the other classes. For a given input pattern, a
predictor is trained to reproduce the appropriate binary string. During testing, if the string
produced by the predictor does not exactly match the string representing one of the classes,
the Hamming distance is measured to each class, and the closest is chosen. Kong and
Dietterich [68] investigate why this technique works. They find that, like Bagging, ECOC
reduces the variance of the ensemble, but in addition can correct the bias component. An
important point to note for this result is that the 0-1 loss bias-variance decomposition
utilised assumes a Bayes rate of zero, i.e. zero noise.

ผลลัพธ์ (ไทย) 1:

ส่วนใหญ่ของเราได้กล่าวถึงวิธีการจัดการข้อมูลการป้อนเข้า Dietterich และ Bakiri [31]จัดการเป้าหมายผลผลิตกับการแก้ไขข้อผิดพลาดผลลัพธ์ที่กำหนด แต่ละผลผลิตในปัญหาจะถูกแสดง ด้วยสายอักขระแบบไบนารี ที่เป็น orthogonal (หรือเป็นปิดเป็น) จากตัวแทนของชั้นเรียนอื่น ๆ สำหรับรูปแบบที่กำหนดให้ป้อนข้อมูล การผู้ทายผลคือการฝึกอบรมเพื่อสร้างสายอักขระแบบไบนารีที่เหมาะสม ในระหว่างการทดสอบ ถ้าสายอักขระผลิตโดยผู้ทายผลที่ไม่ตรงกับสายอักขระหนึ่งของชั้นเรียนวัดระยะห่าง Hamming แต่ละคลาส และใกล้เคียงที่สุด ฮ่องกง และDietterich [68] ตรวจสอบเหตุการทำงานของเทคนิคนี้ พวกเขาพบว่า เช่นเย็บถุง ECOCลดความแปรปรวนของแบบวงดนตรี แต่นอกจากนี้ สามารถแก้ไขคอมโพเนนต์การตั้ง มีจุดสำคัญเพื่อทราบผลลัพธ์นี้คือ 0-1 ร่วงความโน้มเอียงต่างแยกส่วนประกอบใช้สันนิษฐาน Bayes อัตราศูนย์ เช่นเสียงเป็นศูนย์

ผลลัพธ์ (ไทย) 2:

ส่วนใหญ่วิธีการที่เราได้กล่าวถึงการจัดการกับข้อมูลที่ป้อนเข้า Dietterich และ Bakiri [31]
จัดการกับเป้าหมายการส่งออกที่มีการแก้ไขข้อผิดพลาดการเข้ารหัสเอาท์พุท แต่ละชั้นการส่งออกในปัญหาที่เป็นตัวแทนจากสตริงไบนารีได้รับการแต่งตั้งดังกล่าวว่าเป็นมุมฉาก(หรือใกล้ที่สุดเท่าที่เป็นไปได้) จากตัวแทนของชั้นเรียนอื่น ๆ สำหรับรูปแบบการป้อนข้อมูลที่ได้รับการทำนายที่ได้รับการฝึกฝนในการทำซ้ำสตริงไบนารีที่เหมาะสม ในระหว่างการทดสอบถ้าสตริงที่ผลิตโดยทำนายที่ไม่ตรงกับสายที่เป็นตัวแทนของหนึ่งในชั้นเรียนที่ระยะทางHamming เป็นวัดที่ไปเรียนในแต่ละครั้งและใกล้เคียงที่สุดที่ได้รับการแต่งตั้ง ฮ่องกงและDietterich [68] ตรวจสอบว่าทำไมงานนี้เทคนิค พวกเขาพบว่าเหมือนห่อ, ECOC ช่วยลดความแปรปรวนของวงดนตรี แต่นอกเหนือสามารถแก้ไขส่วนประกอบอคติ จุดสำคัญที่จะทราบผลการนี้ก็คือการสลายตัวอคติแปรปรวนสูญเสีย 0-1 ใช้ถือว่ามีอัตราการ Bayes ของศูนย์คือศูนย์เสียง

ผลลัพธ์ (ไทย) 3:

ที่สุดของวิธีการที่เราได้กล่าวถึงการจัดการข้อมูลเข้า และ dietterich bakiri [ 31 ]
จัดการเป้าหมายการส่งออกผลผลิตการแก้ไขรหัสข้อผิดพลาด แต่ละผลผลิตในระดับ
ปัญหาแทนด้วยสตริงที่ไบนารีที่เลือกนั้นมันตั้งฉาก ( หรือ
ใกล้ที่สุด ) จากการเป็นตัวแทนของชั้นเรียนอื่น ๆ สำหรับการใส่ลวดลาย
ทำนายถูกฝึกเพื่อสร้างสตริงที่ไบนารีที่เหมาะสม ในระหว่างการทดสอบ ถ้าสตริง
ผลิตโดยตัวไม่ตรงกับสตริงที่เป็นตัวแทนของหนึ่งในคลาส
แฮมระยะทางวัดแต่ละชั้นเรียน และใกล้ที่สุดคือ การเลือก ฮ่องกง
dietterich [ 68 ] ตรวจสอบว่าทำไมเทคนิคนี้ใช้ได้ พวกเขาพบว่าถุง , ecoc
ช่วยลดความแปรปรวนของวงดนตรีแต่ในนอกจากนี้สามารถแก้ไขอคติเป็นส่วนประกอบ เป็นสิ่งสำคัญที่จะต้องทราบผล
จุดนี้ก็คือ 0-1 การสูญเสียอคติการแยกส่วนความแปรปรวน
ใช้จะถือว่า Bayes อัตราศูนย์ ได้แก่ ศูนย์ เสียงดัง