Decision tree is with good comprehe

Decision tree is with good comprehensibility while neural network ensemble is with strong generalization ability. In this paper, these merits are integrated into a novel decision
tree algorithm NeC4.5. This algorithm trains a neural network ensemble at first. Then, the trained ensemble is employed to generate a new training set through replacing the desired class
labels of the original training examples with those output from the trained ensemble. Some extra training examples are also generated from the trained ensemble and added to the new
training set. Finally, a C4.5 decision tree is grown from the new training set. Since its learning results are decision trees, the comprehensibility of NeC4.5 is better than that of neural network ensemble. Moreover, experiments show that the generalization ability of NeC4.5 decision trees can be better than that of C4.5 decision trees.

ผลลัพธ์ (ไทย) 1:

ต้นไม้การตัดสินใจอยู่กับ comprehensibility ดีในขณะที่วงดนตรีของเครือข่ายประสาท generalization แข็งแรงสามารถ ในเอกสารนี้ บุญเหล่านี้รวมเข้ากับตัดสินนวนิยายแผนภูมิขั้นตอนวิธี NeC4.5 อัลกอริทึมนี้รถไฟโครงข่ายประสาทวงดนตรีครั้งแรก แล้ว จ้างวงดนตรีที่ผ่านการฝึกอบรมเพื่อสร้างตั้งผ่านเปลี่ยนคลาสต้องฝึกอบรมใหม่ป้ายตัวอย่างการฝึกอบรมเดิมกับออกจากวงดนตรีที่ผ่านการฝึกอบรม ตัวอย่างการฝึกอบรมพิเศษยังสร้างวงดนตรีได้รับการฝึกฝน และเพิ่มเข้าไปใหม่ชุดฝึกอบรม ในที่สุด ต้นไม้ตัดสินใจ C4.5 จะเติบโตขึ้นจากชุดฝึกอบรมใหม่ ตั้งแต่ผลการเรียนรู้ ต้นไม้ตัดสินใจ comprehensibility ของ NeC4.5 จะดีกว่าที่วงดนตรีของเครือข่ายประสาท นอกจากนี้ การทดลองแสดงว่า สามารถ generalization NeC4.5 ต้นไม้ตัดสินใจได้ดีกว่าที่ต้นไม้ตัดสินใจ C4.5

ผลลัพธ์ (ไทย) 2:

ต้นไม้ตัดสินใจอยู่กับความเข้าใจดีในขณะที่วงดนตรีที่เป็นเครือข่ายประสาทที่มีความสามารถที่แข็งแกร่งทั่วไป ในบทความนี้ประโยชน์เหล่านี้จะรวมอยู่ในการตัดสินใจนวนิยาย
NeC4.5 อัลกอริทึมต้นไม้ อัลกอริทึมนี้รถไฟชุดเครือข่ายประสาทในตอนแรก
จากนั้นวงดนตรีได้รับการฝึกฝนเป็นลูกจ้างในการสร้างชุดการฝึกอบรมใหม่ผ่านการเปลี่ยนระดับที่ต้องการป้ายตัวอย่างการฝึกอบรมเดิมที่มีการส่งออกจากวงดนตรีที่ผ่านการฝึกอบรม
บางตัวอย่างการฝึกอบรมพิเศษถูกสร้างขึ้นยังมาจากวงดนตรีได้รับการฝึกฝนและเพิ่มใหม่ชุดการฝึกอบรม ในที่สุดต้นไม้ตัดสินใจ C4.5 ปลูกจากชุดการฝึกอบรมใหม่ เนื่องจากผลการเรียนรู้ที่มีการตัดสินใจต้นไม้เข้าใจของ NeC4.5 จะดีกว่าชุดโครงข่ายประสาทเทียม นอกจากนี้การทดลองแสดงให้เห็นว่ามีความสามารถทั่วไปของต้นไม้ตัดสินใจ NeC4.5 สามารถจะดีกว่าที่ต้นไม้ตัดสินใจ C4.5

ผลลัพธ์ (ไทย) 3:

การตัดสินใจแบบต้นไม้กับความเข้าใจที่ดีในขณะที่ทั้งหมดเครือข่ายประสาทกับความสามารถในการที่แข็งแกร่ง ในกระดาษนี้ ความดีเหล่านี้จะรวมอยู่ในนวนิยายตัดสินใจ
ต้นไม้อัลกอริทึม nec4.5 . ขั้นตอนวิธีนี้รถไฟวงดนตรีโครงข่ายประสาทเทียมที่แรก แล้ว ชุดฝึกมาใช้เพื่อสร้างชุดฝึกอบรมผ่านใหม่ที่ต้องการเรียน
แทนป้ายของเดิมการฝึกอบรมตัวอย่างกับผู้ที่ผลิตได้จากชุดฝึก ตัวอย่างการฝึกพิเศษยังสร้างขึ้นจากชุดฝึก และเพิ่มการตั้งค่าใหม่
. สุดท้าย ต้นไม้ การตัดสินใจโปรแกรม C4.5 ปลูกจากชุดฝึก ชุดใหม่ เนื่องจากผลของการเรียนรู้ต้นไม้ตัดสินใจ , ความเข้าใจของ nec4.5 ดีกว่าของวงดนตรีเครือข่ายประสาท นอกจากนี้การทดลองแสดงให้เห็นว่าการความสามารถของต้นไม้ การตัดสินใจ nec4.5 จะดีขึ้นกว่าในการตัดสินใจแบบ C4.5 ขั้นตอนวิธีต้นไม้ .