Unfortunately most data mining tech

Unfortunately most data mining techniques work best with very large samples. Following that, Andonie (2010), reported that some data mining techniques, such as neural networks may not be able to accomplish the learning task (during the training phase) since small datasets cannot provide enough data to fill the gaps between too small samples. As a consequence, several authors concluded that small datasets limit the scope of data mining technique (Yuan & Fine, 1998).

ผลลัพธ์ (ไทย) 1:

แต่เทคนิคการทำเหมืองข้อมูลส่วนใหญ่ได้ส่วน มีตัวอย่างมาก ต่อว่า Andonie (2010), รายงานว่า บางข้อมูลเหมืองเทคนิค เช่นเครือข่ายประสาทอาจไม่สามารถบรรลุภารกิจการเรียนรู้ (ระหว่างขั้นตอนการฝึกอบรม) ตั้งแต่ datasets ขนาดเล็กไม่สามารถให้ข้อมูลเพียงพอในการเติมช่องว่างระหว่างตัวอย่างเล็กเกินไป ผล หลายผู้เขียนสรุปว่า datasets ขนาดเล็กจำกัดขอบเขตของเทคนิคการทำเหมืองข้อมูล (หยวนและดี 1998)

ผลลัพธ์ (ไทย) 2:

แต่น่าเสียดายที่ข้อมูลส่วนใหญ่เทคนิคการทำเหมืองทำงานได้ดีกับตัวอย่างที่มีขนาดใหญ่มาก ต่อไปนี้ที่ Andonie (2010) รายงานว่าบางเทคนิคการทำเหมืองข้อมูลเช่นเครือข่ายประสาทอาจจะไม่สามารถที่จะบรรลุผลงานการเรียนรู้ (ในระหว่างขั้นตอนการฝึกอบรม) ตั้งแต่ชุดข้อมูลขนาดเล็กที่ไม่สามารถให้ข้อมูลเพียงพอที่จะเติมช่องว่างระหว่างกลุ่มตัวอย่างที่มีขนาดเล็กเกินไป เป็นผลให้นักเขียนหลายคนสรุปได้ว่าชุดข้อมูลขนาดเล็ก จำกัด ขอบเขตของการใช้เทคนิคการทำเหมืองข้อมูล (หยวนและวิจิตร, 1998)

ผลลัพธ์ (ไทย) 3:

แต่น่าเสียดายที่ข้อมูลที่สุดเหมืองเทคนิคทำงานที่ดีที่สุดกับตัวอย่างที่มีขนาดใหญ่มาก หลังจากนั้น andonie ( 2553 ) รายงานว่า บางเทคนิคการทำเหมืองข้อมูล เช่นโครงข่ายประสาทเทียมอาจไม่สามารถบรรลุการเรียนรู้งานในขั้นตอนการฝึกอบรม ) เนื่องจากข้อมูลขนาดเล็กไม่สามารถให้ข้อมูลที่เพียงพอเพื่อเติมช่องว่างระหว่างตัวอย่างที่เล็กเกินไป อย่างไรก็ดีหลายผู้เขียนสรุปได้ว่าชุดข้อมูลขนาดเล็ก จำกัด ขอบเขตของการทำเหมืองข้อมูล ( หยวน&ดี , 1998 )